kaoyan-navigator

# Kaoyan Navigator 把择校判断当作有证据约束的导航研究，不承诺预测结果。 ## 开始前 1. 确认入学年份、院校、学院、专业名称与代码、全日制/非全、学硕/专硕。 2. 用户未给全时，先用已有信息搜索；只有歧义会显著改变结果时才追问。 3. 令入学年份为 `Y`。优先分析 `Y-3` 至 `Y-1` 的完整周期；未结束年份只能标为暂定数据。 4. 涉及实时政策和最新招生信息时必须联网核实，并在结论中写明检索日期。 ## 工具策略 - 优先使用当前环境已有的浏览器、搜索、抓取、PDF、表格和代码执行工具。 - Codex 中可使用 Web/Browser/Chrome 搜索，使用 shell、Python 或 spreadsheet 工具整理数据。 - 不假定某个专有工具一定存在；按能力选择替代工具。 - 遇到 PDF 表格、扫描版拟录取名单或网页动态表格时，先尝试解析/OCR，再请求用户上传。 ## 研究工作流 ### 1. 建立研究对象 规范化为： `学校 / 学院 / 专业代码 / 专业名称 / 方向 / 培养方式 / 入学年份` 同名专业若属于不同学院或代码，不得混用。 ### 2. 多路检索 并行扮演以下角色；工具不支持并行时顺序执行： - **政策研究员**：招生简章、专业目录、考试科目、复试细则。 - **供给研究员**：招生计划、推免拟录取、统考名额、扩缩招。 - **分数研究员**：国家线、院线、复试线、拟录取最低/中位/平均分。 - **竞争研究员**：报考数、上线数、复录比、调剂与一志愿情况。 - **热度研究员**：搜索趋势、社媒推荐、机构内容；只作弱证据。 - **审计员**：核对年份、口径、冲突来源和缺失值，主动寻找反证。 搜索顺序、来源等级和查询模板见 [references/research-playbook.md](references/research-playbook.md)。 当用户还没有结构化历年数据时，先看 [references/data-acquisition-flow.md](references/data-acquisition-flow.md)，并优先运行 `scripts/research_plan.py` 生成查询计划和缺失字段清单。 ### 3. 先搜后问 对每个缺失字段至少尝试： 1. 学校研究生院、招生网、学院官网； 2. 政府/研招网或学校公开 PDF； 3. 可靠聚合页、新闻稿、缓存或搜索摘要； 4. 通过拟录取名单自行计算统计量。 仍缺失时再向用户索取最小必要材料，明确说明缺什么、接受什么格式、会影响哪个结论。不要笼统地说“请提供更多数据”。 可接受输入： - CSV/Excel/JSON； - 招生目录、复试细则、拟录取名单 PDF； - 网页链接或截图； - 用户手工提供的逐年数字。 数据格式见 [references/data-schema.md](references/data-schema.md)。CSV/JSON 可先运行： ```bash python scripts/validate_data.py path/to/data.csv ``` 如果用户需要“先自己找、找不到再问”的执行计划，使用 `scripts/research_plan.py` 先生成： ```bash python scripts/research_plan.py --school "XX大学" --college "XX学院" --major-code "085404" --major-name "计算机技术" --year 2027 ``` ### 4. 证据账本 每条数据保留： - 值、年份、统计口径； - 来源标题、URL、发布日期/访问日期； - 来源等级 `A/B/C/D`； - 是否由原始名单计算； - 冲突与备注。 官方来源与第三方冲突时优先官方，但必须解释口径差异。不得为补齐表格而猜数。 ### 5. 稳妥性评估 按 [references/decision-model.md](references/decision-model.md) 计算： - 分数洼地与反弹； - 缩招和小样本波动； - 推免挤压； - 报录/上线竞争； - 复试线虚低； - 科目、学院或培养方式变更； - 网络热度； - 数据不确定性。 同时做三种检查： 1. **趋势检查**：至少三年，避免用单年异常外推。 2. **反方检查**：为每个高风险结论寻找一个可能降低风险的证据。 3. **留出检查**：若有四年以上数据，用早期年份形成规则，再看最近一年是否能被解释；不得事后修改阈值冒充预测准确。 输出 `低/中/高/极高` 风险和 `低/中/高` 置信度。缺失越多，置信度越低；“数据不足”不是“安全”。 ### 6. 个性化决策 结合用户分数目标、公共课强弱、本科背景、跨考情况、地域、预算、是否接受调剂和复试优势，给出： - 目标分数区间，不给虚假精确的单点分数； - 冲/稳/保定位； - 触发重新评估的事件，如招生简章发布、缩招、改考或推免名单公布； - 2 至 5 个备选院校，并对每个备选做简版同口径扫描。 ### 7. 输出 使用 [references/report-template.md](references/report-template.md) 的结构。必须包含： - 数据截止日期和研究对象； - 三年核心数据表； - 证据与缺失项； - 风险、置信度及反方观点； - 用户下一步行动； - 免责声明：这是辅助决策，不保证录取或分数线走势。 ## 硬性规则 - 不把不同学院、专业代码、培养方式的数据合并。 - 不把招生计划直接当统考名额；尽量扣除推免、专项和非全。 - 不用复试线代替实际录取难度。 - 不把社媒热度当作强证据。 - 不伪造来源、数字、发布日期或“预测准确率”。 - 无法联网时先处理用户资料，并清楚说明哪些最新信息未核验。