硬氪近日获悉，广州市题渊网络科技有限公司已顺利完成近千万元天使轮融资，投资方为宏泰智慧谷。本轮资金将重点投向市场推广以及教育 agent 平台的持续技术研发。
这家公司成立于2025年，愿景清晰：致力于成为大学生备考领域的一站式AI智能助手。服务涵盖课程学习、刷题训练、答疑解惑、资讯获取及报考指导，覆盖的考试类别相当广泛——包括考研、考公、专升本、四六级、雅思托福，以及教资、财会、司法、医药等各类职业资格考试，几乎将大学生可能参加的所有重要证书考试都纳入其中。
创始人吴秋恒已在大学生教育赛道深耕十五年，积累了深厚经验。他的创业历程扎实而稳健：从大学期间从事考证培训起步，逐步将线下教培公司做到营收过亿。2023年，上一家公司被成功收购后，他看到了一个更具潜力的机遇——AI在教育场景中的落地空间。
吴秋恒判断，2026年将迎来全国AI教育应用爆发的红利期，这个时间窗口近在咫尺。但现实挑战同样明显：当前大学生备考市场需求旺盛，传统教培模式却始终难以突破那个“不可能三角”——规模化、个性化、高质量三者几乎无法同时实现。线下动辄数万元的培训费用、碎片化的答疑服务，以及通用大模型在解题准确率上的明显短板，都让真正的效率提升迟迟无法落地。
针对这些痛点，题渊科技选择了一条更重投入的路径——自主研发高校教育垂直大模型。该模型融合了超过1000万道题目数据、10万+结构化知识点以及多模态视频切片，解题准确率已提升至95%以上。这个数字在通用大模型领域几乎难以想象。
在产品层面，核心矩阵包括AI数字人微课堂、AI智能分析报告、知识闪卡等。其中，AI数字人微课堂实现了“24小时不打烊”的个性化讲解。学生在刷题遇到难点时，系统可实时生成专属的数字人讲解视频。通过“AI+真人教研”的组合，将传统上万元的培训课程成本压缩到仅需几百元的订阅费用——这真正实现了大幅降低学习门槛。
而“AI智能分析报告”则全程免费，聚焦大学生升学最核心的两大需求：一是确定方向，基于成绩、学科优势和兴趣特长，梳理适配的院校范围和专业方向；二是分析投档，标注目标院校近年投档线数据，结合学生成绩划分冲刺、稳妥、保底三个梯度，并生成针对性学习计划。
团队配置上，题渊具有鲜明的“教育+科技”双重基因。除了吴秋恒对校园市场的深度理解，技术总监曾任职阿里中高层，教研总监则主导过千万级学员的课程体系设计与一线授课。目前产品已完成初步研发，进入内测阶段，用户增长十分迅速。
商业模式方面，除了面向C端学生的订阅制服务，题渊还布局了B端课程与系统SaaS服务，以及产品OEM服务。同时，他们面向全国高校和各类教培公司开放合作，为教育机构及硬件厂商提供技术赋能。吴秋恒为公司设定了增长目标：2026年营收达到2500万元，2028年突破2亿元。
（此处为原图：图片描述）
我们与吴秋恒聊了聊他的创业逻辑和具体打法，以下是访谈实录：
硬氪：您在大学生教育赛道深耕多年，上一家公司也被收购了，为什么这次选择用AI切入？
吴秋恒：从大学开始，我就在做计算机二级、教资等各种考证培训，毕业后的创业也没离开过学生。接下来的5到10年，AI是确定性的浪潮。在这个时间点上，如何让AI与高校教培真正结合并落地，是我们反复思考的问题。这次再创业，我们的目标人群依然是全国4000万在校大学生——那些有意向深造或考取职业资格证书的年轻人。对这个群体的理解，是我们最核心的底气。传统教培最大的痛点是效率和成本，一个老师只能服务几十上百名学生。AI则可以把效率推向极致，同时把成本压到极低。从本质上说，AI是实现“因材施教”的最佳解决方案。我们不只是套用开源大模型，而是通过自研的教育垂直模型和海量原始数据，构建真正懂考试、懂学生的“教育Agent”。
硬氪：相比市面上的搜题软件或录播课，题渊的竞争优势在哪里？
吴秋恒：传统刷题软件只给答案和固定解析，不解决“理解”和个性化问题；录播课只是单向输出，无法针对某个细分知识点做即时回应。我们的AI数字人是实时的——哪道题不会，系统就实时生成对应的讲解视频，还能实时答疑，就像私教坐在你身边。更重要的是，我们的解题准确率在内测中达到了95%以上，这是通用大模型很难做到的。
硬氪：大学生市场相对封闭，题渊在市场推广上有哪些成熟的打法？
吴秋恒：校园市场的封闭特性，其实恰恰是我们的优势。这个市场和公域投放的逻辑完全不同——公域投流的ROI往往很低，广告费用也很高。我们更擅长利用社交和娱乐内容的裂变传播。通过自建的校园垂直媒体、与全网高校大学生博主达人进行种草合作，再加上自建的10000多个社群，我们让学生自己成为推广者。这种基于熟人关系、封闭圈子的传播速度非常快，效率也更高。大学生群体每年4000万的存量，这是一个足够大的市场。
硬氪：作为初创公司，你们如何建立自己的数据壁垒？
吴秋恒：数据是我们最核心的护城河。我们积累了超过1000万的题目数据和10万+的知识点地图。更重要的是，我们拥有100万在校生的真实学习行为数据。通过用户的反馈和纠错，我们可以持续进行监督微调。用户数据一旦流转起来，后来者想在短时间内追平我们的模型精细度，难度会非常大。