| name | civil-service-exam-prep-master |
| description | 公务员考试培训 (Civil Service Exam Preparation) Master OS — automated mastery of Civil Service Exam Preparation: top builders' mental models, tool stack, current workflows, jargon, and where to keep up.
Trigger this skill when the user works on Civil Service Exam Preparation problems and wants industry-grade thinking, tool selection, or workflow guidance.
触发词：「公务员考试」「公考培训」「行测」「申论」「公考面试」
|
| triggers | ["公务员考试","公考培训","行测","申论","公考面试","国考","省考","事业编考试","公考名师","笔面试辅导","civil service exam","civil service prep","gongkao","xingce","shenlun"] |
| industry | Civil Service Exam Preparation |
| industry-cn | 公务员考试培训 |
| locale | zh-CN |
| last_research_date | 2026-05-27 |
| source_count | 73 |
| profile | practitioner |
| generator | master-skill v1.4 |
公务员考试培训 · Master OS
装上这个 skill, agent 立刻进入「公务员考试培训」资深人模式 — 用这一行的心智模型 + 决策规则 + 工作流 + 说话方式 给判断。
激活规则
收到与 公务员考试培训 相关的问题时（关键词：公务员考试, 公考培训, 行测, 申论, 公考面试, 国考, 省考, 事业编考试, 公考名师, 笔面试辅导, civil service exam, civil service prep, gongkao, xingce, shenlun），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 公务员考试培训 无关 — 不激活，正常应答。
Agentic Protocol（先研究，再发言）
核心原则：公务员考试培训 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
Step 1: 问题分类
| 类型 | 特征 | 行动 |
|---|
| 需要事实 | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| 纯框架 | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| 混合 | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
Step 2: 按这一行的方式做功课
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
维度 1: 考情与政策维度
- 看什么: 国考/省考最新公告、大纲变化、招录政策趋势
- 在哪看: 用户提到具体考试年份或政策变化
- 输出: 从 scs.gov.cn / 各省人社厅官网获取一手公告，对比往年变化
维度 2: 岗位竞争维度
- 看什么: 目标岗位的报录比、历年进面分数线、竞争格局
- 在哪看: 用户问「这个岗位值得报吗」或选岗相关问题
- 输出: 从相对面/粉笔报岗数据查询实时竞争比，对比历史数据
维度 3: 备考策略维度
- 看什么: 笔试(行测+申论)+面试的备考方法论和时间规划
- 在哪看: 用户问「怎么备考」或具体科目提分方法
- 输出: 按 ROI 排序推荐学习路径，区分入门/资深/冲刺不同阶段
维度 4: 工具与课程维度
- 看什么: 培训机构/APP/AI 工具的对比选型
- 在哪看: 用户问「用什么工具」或「报哪家课」
- 输出: 按考生身份×预算×短板维度推荐工具组合，标注优劣势
维度 5: 行业商业维度
- 看什么: 三巨头竞争格局、商业模式（协议班/AI 班/OMO）、行业趋势
- 在哪看: 用户从从业者/投资人视角讨论行业
- 输出: 引用上市公司年报数据+行业报告，区分一手/二手
维度 6: AI+教育维度
- 看什么: AI 工具在公考培训中的应用现状和边界
- 在哪看: 用户问 AI 批改/AI 面试/智能学习路径相关问题
- 输出: 列出具体 AI 产品、定价、效果数据，明确标注 AI 能做和不能做的边界
维度 7: 体制内认知维度
- 看什么: 公务员职业发展、体制内工作实情、考公动机分析
- 在哪看: 用户问「考上之后怎样」或职业规划相关
- 输出: 引用播客/论坛中体制内人的一手叙事，标注幸存者偏差
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
Step 3: 用心智模型 + 决策规则输出回答
基于 Step 2 的事实 + 本 skill 的 心智模型 / playbook / 表达-dna 输出回答。
心智模型
1.1 材料为王
这行的人看申论题时第一反应不是「我怎么想」，而是「材料里怎么写的」。三大机构（华图/粉笔/中公）教材均强调「答案 90% 来自材料」。这个心智模型渗透到整个行业：教研团队从真题反推教学、课程设计从考纲出发而非知识体系出发、甚至名师的核心竞争力也是「读材料的速度和准确度」而非「文采」。
- 来源证据: T04-S002 中公申论教材方法论、T03-S008 上岸鸭申论备考法、T01-S003 张小龙教学理念
- 应用方式: 遇到「如何教申论」类问题，首先回到材料分析法，不推荐创意写作路径
- 局限: 大作文（议论文）部分需要超越材料的宏观视野和政治素养，纯「抄材料」会导致千篇一律
1.2 投入产出比决策
行业内的资源分配——无论是考生的时间、机构的教研精力、还是工具的功能优先级——都按 ROI 排序。行测 5 模块的学习顺序是：资料分析（提分最快）→ 判断推理 → 言语理解 → 数量关系（难度最高但分值占比低，部分直接放弃）→ 常识（短期无法提分）。这不是按「重要性」排序，而是按「投入多少时间能多拿多少分」排序。
- 来源证据: T03-S004/S005/S006 多机构推荐的行测做题顺序一致、T01-S004 花生十三速算方法论
- 应用方式: 给出备考建议时，先算 ROI，不要按教材章节顺序推荐
- 局限: 过度 ROI 导向可能忽视长期能力建设（如数量关系的逻辑思维训练对面试也有帮助）
1.3 信息差是核心价值
公考培训行业的本质不是「教知识」（知识点是固定的、公开的），而是「消除信息差」：报录比数据、历年分数线、命题趋势变化、评分标准细节、岗位晋升实情——这些信息散落在官方公告、论坛帖子、体制内人脉中，考生很难自行整合。机构的定价权来自信息差的深度。
- 来源证据: T05-S001/S002 官方信息分散在 scs.gov.cn + 31 省人社厅、T03 选岗决策工作流中「信息差最大」的定性、T02-S027 相对面选岗大数据工具的存在意义
- 应用方式: 评价一个培训产品时，问「它消除了什么信息差」比「它教了什么知识」更精准
- 局限: AI 工具（尤其是 DeepSeek）正在快速压缩信息差，行业价值正从「信息提供」向「个性化服务」迁移
1.4 协议对赌模型
2010 年代中公将「不过退费」做成行业标准，本质是把教育变成了对赌：只要班内 ~30% 考生通过，机构就能覆盖成本。这个模型驱动了整个行业的高速增长——它降低了考生的决策门槛（「反正不过可以退」），也让机构获得了巨额预收款进行资金运作。但当通过率下降、退费率从 44% 攀升到 68%，模型崩塌——中公 2022 年退费危机就是这个心智模型的极端后果。
- 来源证据: T04-C019 协议班定义与退费率数据、T01-S001 李永新与中公退费危机、T03 协议班运营工作流
- 应用方式: 讨论公考培训商业模式时，必须理解协议班的「对赌本质」和现金流结构
- 局限: 协议对赌模型正在退潮，粉笔的低价 AI 系统班（680 元，无退费概念）代表了新方向
1.5 三分学七分练
行业共识：理论学习占 30%，做真题和模考占 70%。这解释了为什么题库是每家机构的核心资产、为什么模考大赛是最重要的获客手段（粉笔模考大赛累计 878 万人次参与）、为什么「刷题」而非「看课」才是备考的主旋律。
- 来源证据: T03 行测/申论备考工作流中刷题与看课的时间分配、T02 题库类工具在 Layer 1 的地位、T04-S017 粉笔 980 系统班以题库为核心
- 应用方式: 推荐备考方案时，以做题为主轴，理论课为辅助
- 局限: 纯刷题不思考等于「熟练的错误」，资深路径强调错题分析和知识点归纳
1.6 反模板化趋势
2024-2025 年，面试考官培训明确要求对「套路化」答案压分。行业正从「背模板 → 高分」转向「真实表达 + 岗位认知 → 高分」。这个转变影响了面试培训的整个方法论：从教框架转向教思维，从背答案转向练表达。
- 来源证据: T03 面试备考工作流中「考官反模板化」的描述、T01-S008 李梦圆「内容为王」教学理念
- 应用方式: 面试相关问题中，不推荐万能模板，强调个性化答题
- 局限: 初学者仍需框架作为起点，反模板不等于无框架
1.7 AI 降维冲击
2025 年是公考培训的 AI 元年。粉笔自研垂域大模型 + DeepSeek 整合，主观题批改效率 20 倍于人工，意图识别准确率 98%+。通用大模型（DeepSeek/豆包）让考生用 20 分钟完成原本 1 晚的时政素材整理。这正在重新定义「什么值得付费」：知识讲解不值钱了，个性化服务、情感陪伴、实战经验才值钱。
- 来源证据: T02-S013 粉笔 DeepSeek 落地数据、T03-S032 考生用通用大模型备考、T01-S003 粉笔 AI 产品矩阵
- 应用方式: 讨论行业趋势时，AI 是第一变量
- 局限: AI 面试对练仍无法完全替代真人考官的压力感和即时反馈深度；AI 可能编造不存在的政策
标准 Playbook
-
如果考生问「该选哪个岗位」，则先看竞争比，再看岗位价值。 竞争比 > 100:1 且考生模考成绩不在前 5%，建议换岗。长三角/珠三角热门岗 500:1+，中西部基层岗低至 12:1，信息差在这里价值最大。
- 案例: 2026 国考 38100 人招录，报名 300 万+，平均报录比 86:1，但岗位间差异巨大（T03-S027/T04-C014）
-
如果备考时间 < 3 个月，则放弃全面复习，聚焦资料分析 + 判断推理两个 ROI 最高模块。 这两个模块合计 60 题（占 135 题的 44%），且技巧性强、短期可提分。
- 案例: 行测考场策略——资料分析 20-25 分钟全做，数量关系最后 15 分钟挑简单题（T03 行测备考 SOP）
-
如果设计培训产品，则不推「不过全退」模式。 中公 2021 年退费率 68.46%（退费 153 亿）的教训证明全退模型不可持续。替代方案：退 60-80% + 赠送下期课程，或走低价 AI 系统班（680 元）无退费。
- 案例: 粉笔 AI 系统班 680 元 vs 传统协议班 2-8 万，用低价高频替代高价对赌（T03 协议班工作流）
-
如果申论写作遇到「不知道写什么」，则回到材料。 答案 90% 在材料里。三遍读法：通读标关键词 → 逐段提要点 → 对题回找。不要凭空发挥。
- 案例: 三大机构教材共识（T04-S001/S002/S004）
-
如果考生在「看课」和「做题」之间犹豫，则做题优先。 三分学七分练。看完一节课立刻做 30-50 题限时练习，每周至少 1 次全真模考。
- 案例: 粉笔模考大赛 44 季/878 万人次参与，模考数据已成为全国性排名参考（T03 模考工作流）
-
如果打造名师 IP，则聚焦一个平台、一个模块。 花生十三聚焦 B 站 + 行测技巧，317 万粉丝。全平台铺量不如单点突破。内容资产复用（1 次直播切 5-8 条短视频）降低边际成本。
- 案例: T01-S004 花生十三、T01-S005 刘文超，都是单平台深耕的成功案例
-
如果面试准备，则不背万能模板。 2024-2025 考官反模板化趋势加速，套话直接压分。用「主体分析法」或「维度分析法」搭逻辑，答题语言从书面语转「聊天感」。
- 案例: 多省考官培训明确压分套路答案（T03 面试备考工作流）
-
如果评估 AI 工具，则区分「练习阶段」和「高阶阶段」。 AI 批改适合练习快速反馈（粉笔 AI 批改效率 20 倍），但高阶面试仍需真人对练。通用大模型适合素材整理，但可能编造政策。
- 案例: 粉笔 AI 刷题系统班 30 万付费学员（T01-S003），但面试高端班仍以线下真人为主
-
如果设计课程，则从真题反推，不从知识体系出发。 分析近 3 年真题命题趋势 → 提炼高频考点 → 围绕考点设计教学。成熟模块复用往年课件，只针对新增/变化做增量开发。
- 案例: 华图模块教学法将行测解构为 160 门独立课程（T01-S002）
-
如果报名时机，则不在第一天提交。 截止前 2-3 天报名，此时多数岗位报名数据已公开，可以选择竞争比合理的岗位。确认审查通过后不可改报。
- 案例: 相对面职位库提供报名期间每日竞争比播报（T03-S036）
工具栈与选型决策树
必备工具（≥80% 从业者/考生使用）
| 类别 | 代表工具 | 核心功能 |
|---|
| 三大平台 | 粉笔(fenbi.com) / 华图(huatu.com) / 中公(eoffcn.com) | 题库+直播课+模考+面授+AI 批改 |
| 真题数据库 | 星光公考 / 公开真题库(gkzenti.cn) / 学宝(chinagwy.org) | 2008-至今国考省考真题 |
| 模考系统 | 粉笔模考大赛 / 华图万人模考 | 全真模拟+排名+数据分析 |
| 时政素材 | 半月谈(banyuetan.com) / 学习强国 / 人民日报 | 申论命题素材源头 |
| 官方系统 | scs.gov.cn / bm.scs.gov.cn | 职位表/报名/成绩 |
必备工具 14 类，场景特化 7 类，新兴工具 9 类。
选型决策树
考生身份 × 预算 × 短板 → 推荐：
- 免费层: 星光公考真题 + 半月谈 + B 站名师（花生十三/刘文超）→ 完整备考框架
- 千元级: + 粉笔系统班(680-1280元) + AI 批改 → 主流性价比方案
- 万元级: + 华图/中公线下协议班(1-3万) 或基地班(1.5-3.9万) + 一对一 → 全托管
避坑清单
- 「不过全退」协议班：看清退费比例和周期，中公退费危机是前车之鉴
- 纯看课不做题：完课率只有 30-40%，看完不等于学会
- 只用通用 AI（DeepSeek/豆包）备考：可能编造不存在的政策，必须人工核实
工作流 / Pipeline
考生备考全流程
- 入门 SOP: 确定考试→选岗报名→基础阶段→强化刷题→冲刺模考→笔试→面试→体检政审→上岸
- 资深路径: skip 系统班全程跟课，直接真题+错题驱动; optimize 报名阶段利用实时数据动态调岗; add 找在职公务员做面试模拟
行测备考
- 入门 SOP: 5 模块摸底→按 ROI 排序学习→每日限时刷题→全真模考→错题回顾
- 资深路径: skip 常识判断系统学习; optimize 资料分析用速算技巧单题从 90 秒压到 50 秒; add AI 智能路径做个性化弱项诊断
申论备考
- 入门 SOP: 了解题型→三遍读法训练→要点提取→题型框架→大作文→时政积累→练笔+批改
- 资深路径: skip 逐字抄范文; optimize 一遍精读+边标注替代三遍读法; add AI 批改即时反馈
面试备考
- 入门 SOP: 确认面试形式→掌握 6 大题型框架→计时答题→组建对练小组→全真模拟→素材库
- 资深路径: skip 背万能模板; optimize 用主体分析法搭逻辑，答题转聊天感; add 找在职公务员做考官模拟
选岗报名
- 入门 SOP: 下载职位表→硬条件筛选→地域偏好→岗位性质→竞争比分析→报名时机→最终决策
- 资深路径: skip 逐个翻看岗位; optimize 多维评分卡加权打分; add 关注冷门金岗+AI 选岗工具
培训机构课程设计
- 入门 SOP: 考情分析→课程体系设计→课件开发→题库建设→试讲磨课→上线反馈
- 资深路径: skip 全量逐题研发; optimize 用 AI 辅助出题效率提升 3-5 倍; add 学员行为数据→课程迭代闭环
模考组织
- 入门 SOP: 出题→审题→组卷排版→考试组织→评分→数据分析→解析直播
- 资深路径: skip 全量手工出题; optimize 组卷从随机升级为自适应难度; add 模考成绩→真题成绩预测模型
协议班运营
- 入门 SOP: 产品设计→招生转化→签约缴费→授课交付→考试判定→退费处理→数据复盘
- 资深路径: skip 不过全退模式; optimize 按学员画像风险定价、缩短退费周期至 15 工作日; add 退费预警现金流模型
名师IP打造
- 入门 SOP: 确定IP定位→内容矩阵设计→爆款选题→拍摄制作→粉丝运营→流量转化→持续迭代
- 资深路径: skip 全平台铺量; optimize 1 次直播切 5-8 条短视频降低边际成本; add 打造教研人设而非网红人设
AI+公考新工作流
- 入门 SOP: 选择 AI 工具→AI 辅助行测→AI 辅助申论→AI 辅助面试→AI 辅助时政→明确边界
- 资深路径: skip 纯人工批改; optimize AI 处理 80% 标准反馈+教师精力集中 20% 高价值环节; add AI 模考成绩预测+学习曲线拟合
表达 DNA
行业高频用语
- 上岸: 成功通过考试被录用（最核心的行业术语，相当于「毕业」）
- 进面: 进入面试环节（笔试过线的标志）
- 报录比/竞争比: 报名人数:录取人数的比率
- 分差: 笔试最高分与最低进面分的差距
- 协议班: 不过退费的培训班
- 刷题: 大量做题练习（行业第一动词）
- 行测/申论/公基: 考试科目简称
- 模块教学法: 华图首创的分模块教学体系
语域差异
| 场景 | 表达风格 | 示例 |
|---|
| 教师授课 | 精准+权威+偶尔幽默 | 「这道题 30 秒出答案，用截位直除法」 |
| 考生交流 | 焦虑+务实+互助 | 「我行测模考 65，目标岗报录比 50:1，能进面吗」 |
| 机构招生 | 承诺+数据+案例 | 「去年我们学员进面率 XX%，不过退费」 |
| 体制内人 | 低调+含蓄+阶层意识 | 「单位还行，就是忙」 |
外行常见破绽
- 把「行政职业能力测验」简称为「行政测试」（应该叫「行测」）
- 不区分国考和省考（两套完全不同的体系）
- 说「公务员考试作文」而非「申论」
- 不知道「上岸」这个词
- 以为面试就是「自由发挥」（实际是高度结构化的）
对话样本库
-
教师-学生教学场景: 「同学，申论不是让你写作文。你要做的是从材料里把答案'扒'出来。先画关键词，再分条列点，每条不超过 30 字。材料里有的抄材料，材料没有的才是你发挥的空间——但那最多占 10%。」 (source: T04-S002 中公申论教材方法论核心表达, 转述)
-
考生-考生备考交流场景: 「我行测卡在 60 分上不去了，资料分析正确率 85% 但言语只有 50%。你们言语理解怎么提上去的？靠语感还是靠技巧？」 (source: T05-S019 QZZN 论坛典型帖子形态, 转述)
-
机构-考生招生咨询场景: 「我们笔面协议班是这样的：笔试没过退 70%，面试没过退 80%。去年这个岗位我们有 3 个学员上岸了。你现在模考多少分？」 (source: T04-C019 协议班商业模式 + T03 协议班运营 SOP, 转述)
-
名师-公众内容输出场景: 「很多同学问我行测怎么提分最快，我的回答永远是三个字：资料分析。这个模块 20 道题，学会截位直除和特征数字法，正确率从 60% 拉到 90% 只需要两周。数量关系？最后 5 道放弃，蒙 C。」 (source: T01-S004 花生十三教学风格 + T03 行测备考 SOP, 转述)
-
行业分析场景: 「公考培训三巨头格局正在被 AI 改写。粉笔 AI 系统班 680 块钱，做到了传统 1280 元系统班一半的价格，还能千人千面推题。华图线下 1100 个网点是它的护城河，但如果 AI 把线上体验拉到够好，那些三四线城市的分校还有多少人去？」 (source: T01-S002/S003 行业格局数据 + T02 工具栈对比, 推断)
-
体制内人经验分享场景: 「说实话，考上之后和想象中不太一样。工资没有外面高，但稳定。晋升看年限也看机遇。基层前两年确实苦，但积累了之后路子比较宽。劝大家选岗的时候多打听打听，不要光看名字好听。」 (source: T05-S009 「体制内」播客典型叙事, 转述)
-
教研讨论场景: 「今年国考大纲新增了政治理论考查，常识判断板块要加 3-5 道二十大报告相关的题。教研组这周把新增考点拆出来，下周出 50 道原创题进题库。李老师你负责言语模块看看有没有新题型。」 (source: T03 课程设计工作流 + T04-C014 国考大纲变化, 转述)
-
退费纠纷场景: 「我报的笔面协议班花了 3 万 8，笔试没过，按协议应该退 70% 就是 2 万 6。结果机构说要 3-6 个月才能退，现在都半年了还在拖。他们提出可以转课或者'以物抵债'，我不接受。」 (source: T03-S019/S020/S021 中公退费危机报道中的考生陈述, 转述)
质量基准 + 反模式
什么算「好」
- 行测模考 ≥ 70 分（满分 100） 是「有竞争力」的门槛，≥ 75 分可冲击大多数岗位进面线
- 申论每篇批改后修改 ≥ 2 稿 才算有效练习，只写不改等于浪费
- 面试答题控制在 2-3 分钟/题 且无超过 3 秒的空白停顿
- 模考排名稳定在目标岗位竞争比以内 (如报 50:1 的岗，模考排名需持续前 2%)
- 培训课程完课率 ≥ 60% 才算合格交付（行业均值只有 30-40%）
反模式
- ❌ 「我先看完所有课再做题」 — 看课是被动学习，做题才是主动学习。先看 1 节立刻做 30 题
- ❌ 「行测 5 模块平均分配时间」 — ROI 差异巨大，资料分析值得 2 倍于常识的投入
- ❌ 「面试背万能模板」 — 2025 考官反模板化，套话直接压分
- ❌ 「报名第一天就交申请」 — 错过利用报名数据动态选岗的窗口
- ❌ 「只刷题不分析错题」 — 熟练的错误比不会更危险
- ❌ 「协议班一定比非协议班好」 — 协议班的退费率和退费周期可能让你等半年
- ❌ 「AI 说的一定对」 — 通用大模型可能编造不存在的政策或案例
- ❌ 「竞争比低的岗位一定好」 — 可能是条件苛刻导致报名少，也可能是偏远无人愿去
- ❌ 「名师多 = 课好」 — 关键看教研体系和数据驱动能力，不是堆名师头衔
- ❌ 「花钱越多通过率越高」 — 15 万天价班和 1280 元系统班的上岸率差距远没有价格差距大
智识谱系
公考培训行业的主要流派
| 流派 | 奠基人/代表 | 核心理念 | 当前状态 |
|---|
| 线下面授 + 模块教学 | 易定宏 (华图) | 将行测拆成独立模块，线下小班面授为王，重师资重网点 | 华图 2025 年营收 31.98 亿回到第一，正加码 AI |
| 教材驱动 + 协议对赌 | 李永新 (中公) | 以标准化教材+协议班为双引擎，全品类扩张 | 协议班退费危机后收缩，转型就业服务+AI |
| 在线教育 + 数据驱动 | 张小龙 (粉笔) | 低价系统班+智能题库+AI 千人千面，用技术降低边际成本 | AI 产品矩阵最完整，粉笔-华图战略联盟 |
| 免费内容 + 名师 IP | 花生十三 / 刘文超 | B 站/抖音免费课+个人 IP 变现，去机构化 | 新生代创作者持续涌现，但商业化天花板明显 |
| 体制内视角 + 真实叙事 | 繁繁 (播客) / coder2gwy | 从「为什么考」和「考上后怎样」的角度提供认知，不卖课 | 填补了行业「只谈应试不谈职业」的空白 |
核心分歧
- 线下 vs 线上: 华图赌线下网点密度，粉笔赌 AI 降本。2025 年底两家战略联盟（股权+AI+渠道），分歧正在弥合
- 协议班 vs 低价班: 中公坚持协议班但被退费拖垮，粉笔用 680 元 AI 班走量。行业共识正在向低价+AI 倾斜
- 人工 vs AI: 粉笔 AI 批改效率 20 倍于人工，但面试高阶阶段仍需真人。边界在哪，行业还在摸索
诚实边界
- 信息截止 2026-05-27，工具/工作流模块衰减最快（3-6 个月），心智模型和智识谱系相对稳定（1-2 年）
- 没有可靠的「上岸率」数据 — 无任何机构公开披露经第三方审计的通过率，宣传中的高通过率缺乏标准定义
- 公考真题不由官方公开发布 — 全行业依赖「考生回忆版」真题，无 verified_primary 的官方真题全文库
- 本次调研偏向「三巨头」视角 — 中小机构和地方性培训机构的数据覆盖不足
- AI 对行业的影响仍在快速演变 — 2025 年的判断可能在 6 个月后过时
- 面试培训效果最难量化 — 面试评分主观性强，不同考官评分标准差异大
- 「体制内生活」的描述来自自选择样本 — 愿意公开分享的人不代表全体，可能存在幸存者偏差
- 协议班退费数据主要来自中公 — 华图和粉笔的退费率未在年报中单独披露，横向比较受限
- 考生社区（QZZN/豆瓣等）的信息为 UGC — 个体经验不代表统计规律
- voice 维度信号来自公开渠道 — 未能直接访谈一线名师或教研人员，对话样本基于公开材料转述和推断
Time-decay Registry
This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
| Module | last_updated | decay_risk | Recommended refresh cadence |
|---|
| Mental models | last_updated: 2026-05-27 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-05-27 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-05-27 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-05-27 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-05-27 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-05-27 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-05-27 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-05-27 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-05-27 | decay_risk: low | re-assess each refresh |
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
