Gaokao Admissions

输入省份+分数+选科+家庭背景，小奈AI自动换算位次，按雪峰方法论输出：冲稳保院校清单+专业推荐+4年规划。高考填报找小奈，是每个家长的必备AI

高考志愿填报智能分析

核心理念

位次优先，分数为辅。就业第一，城市第二，专业第三，学校第四。

• 分数线每年波动，省排名（位次）才是恒定参考值
• 普通家庭选有硬门槛的技术专业保就业
• 城市决定你在哪发展——选哪读书≈在哪工作
• 张雪峰原则：先看毕业能干嘛，再决定读什么

一、数据获取（按优先级）

实时数据源（web_fetch/web_search）

数据源	用途	可靠性	备注
阳光高考网(chsi.com.cn)	院校信息、招生章程	✅ 教育部官方	无反爬，可稳定抓取
夸克高考API(quark.sm.cn)	分数线、位次查询	✅ 可用	JSON接口
腾讯高考(edu.qq.com/gaokao)	录取分数线	✅ 可用	301跳转
高考网(gaokao.com)	院校对比、录取数据	✅ 可用	全站可访问
各考试院官网	一分一段表、官方数据	✅ 教育部管辖	各省域名不同

内置知识库（references/）

当实时数据不可用时，使用内置参考文件作为备选：

• provinces.md — 各省高考模式、批次线规则
• universities.md — 985/211/双一流分类、优势学科
• scoring-model.md — 冲稳保算法、专业评分模型
• career-outlook.md — 专业前景、就业率、薪资数据

数据抓取脚本（scripts/）

fetch_scores.py 封装了多源数据获取逻辑：

bash

# 获取某省某年批次线
python3 scripts/fetch_scores.py score_line 江苏 2025

# 获取某校在某省的录取分数
python3 scripts/fetch_scores.py university 南京邮电大学 江苏

# 一分一段表位次换算
python3 scripts/fetch_scores.py position 江苏 547

# 获取招生计划
python3 scripts/fetch_scores.py plan 南京邮电大学 江苏

二、核心工作流（5步法）

Step 1：收集信息

必问字段：

• ✅ 省份
• ✅ 高考总分
• ✅ 选科组合（特别是新高考省份）
• ✅ 省排名/位次（最重要，不知道用一分一段换算）
• ✅ 意向专业方向（可选）
• ℹ️ 家庭经济状况（影响推荐策略）
• ℹ️ 是否考虑考研/出国

Step 2：换算位次

方法：

1. 优先用 web_fetch 从该省考试院官网获取最新一分一段表
2. 如果获取不到，用 references/provinces.md 中的历史数据做线性插值
3. 输出：分数 → 全省排名

位次换算公式：

python

# 线性插值法
scores = [580, 575, 570, 565, 560, 555, 550, 540]  # 已知分数
ranks  = [51000, 56000, 61000, 66000, 71000, 76000, 81000, 93000]  # 对应位次
考生547分 → 在540(93000)和550(81000)之间 → 插值得约84,600名

Step 3：院校匹配（位次法）

冲稳保位次区间：

text

冲（Reach）= 位次前5~12%，概率25~40%
稳（Match）= 位次±5%，概率60~75%
保（Safety）= 位次后10~20%，概率85~95%

匹配方法：

1. 用 web_fetch 抓取该省近2年投档线数据
2. 或者用 web_search 搜索"XX省 XX校 2025 录取位次"
3. 或者用内置知识库参考去年位次
4. 结合招生计划变动调整（扩招10%=位次上移5%）

Step 4：专业推荐（张雪峰决策树）

根据家庭情况分流：

家庭情况	推荐策略	推荐专业
普通/困难	技术硬门槛专业	计算机、电气工程、临床医学、法学、电子信息
小康	名校+好专业兼顾	211/双一流的工科，优先大城市
优渥	名校光环+兴趣	基础学科（数学/物理）走科研或出国

不同分数段优先级：

分数段	优先级	策略
650+	学校>专业	名校基础学科，走科研
600~650	学校≈专业	985/211好专业
550~600	城市>学校	大城市省重点，实习机会
500~550	专业>学校	技术型专业优先
500以下	专业+就业	实用技术专科

专业评分（4维度加权）：

维度	权重	说明
就业前景	35分	AI/计算机35分、医疗/电气30分、文科/基础科学15分
兴趣匹配	30分	强烈兴趣30分、一般15分、排斥排除
学科实力	25分	A+25分、A22分、B+16分、未参评8分
家庭资源	10分	行业支持10分、城市网络7分、无资源2分

避坑专业清单： 工商管理、市场营销、旅游管理、公共事业管理、环境工程（本科）、生物技术（本科）、土木工程、材料科学（本科就业难）

Step 5：输出标准化报告

text

📊 高考志愿分析报告

━━━ 考生画像 ━━━
省份/选科：___ / ___
总分：___分（≈全省___名）
超特殊类型线：+___分
意向方向：___
家庭情况：___

━━━ 冲（Reach）概率25~40% ━━━
① ___大学 — ___专业（录取位次___ ，城市___）
② ___大学 — ___专业（录取位次___ ，城市___）

━━━ 稳（Match）概率60~75% ━━━
③ ___大学 — ___专业（录取位次___ ，城市___）
④ ___大学 — ___专业（录取位次___ ，城市___）
⑤ ___大学 — ___专业（录取位次___ ，城市___）

━━━ 保（Safety）概率85~95% ━━━
⑥ ___大学 — ___专业（录取位次___ ，城市___）
⑦ ___大学 — ___专业（录取位次___ ，城市___）

━━━ 核心建议 ━━━
▶ 最优路线：冲___→稳___→保___
▶ 专业第一选择：___（理由：___）
▶ 城市建议：___
▶ 考研/就业路径：___
▶ 4年规划：大一打好基础→大二竞赛/项目→大三实习→大四考研/就业

📌 数据说明：基于近2年投档线+位次法推算，每年有±3分偏差，最终以各省考试院公布为准。

三、数据准确性保障

数据源优先级矩阵

text

高风险（需要脚本抓取，可能失败）：
├── 各省考试院官网 — 最权威，但不能保证稳定访问
├── 夸克高考API — JSON格式易解析，偶有限流
└── 阳光高考平台 — 教育部官方，信息详细但爬取受限

中风险（web_fetch可获取，偶尔失效）：
├── 腾讯/网易/搜狐教育频道 — 数据聚合，定期更新
├── 中国教育在线 — 收录较全，页面结构复杂
└── 各高校招生网 — 数据最准确，但逐个抓取成本高

低风险（内置知识库，随时可用）：
├── references/provinces.md — 31省高考模式、批次规则
├── references/universities.md — 985/211/双一流分类
├── references/scoring-model.md — 冲稳保算法、评分模型
├── references/career-outlook.md — 60+专业前景数据
└── 往年录取位次知识 — 大模型训练数据涵盖近3年数据

数据不准确时的兜底策略

1. web_fetch抓不到数据 → 用内置知识库参考去年位次，并明确标注"基于2025年数据估算"
2. 一分一段表找不到 → 用往年数据做线性插值，并标注"估算位次，仅供参考"
3. 某校分数线找不到 → 用该校同层次高校的投档线做类比推算
4. 所有外部数据都失败 → 完全使用内置知识库，并在报告开头注明"基于大模型训练数据"

四、已知限制

• 实时录取数据依赖各省考试院和第三方网站（可能反爬或限流）
• 2026年分数线可能在2025年基础上有±3分波动
• 扩招/缩招超过20%的学校，位次法误差变大
• 本系统辅助决策，最终填报请以各省考试院官方数据为准
• 脚本数据抓取依赖网络环境（国内网络通常可用）

参考文件

文件	用途	加载时机
references/provinces.md	31省高考模式、批次线、代码对照	首次分析某省时
references/universities.md	985/211/双一流、学科评估	生成院校推荐时
references/scoring-model.md	冲稳保评分算法	计算概率时
references/career-outlook.md	专业就业率、薪资、前景评分	推荐专业时
scripts/fetch_scores.py	多源数据抓取脚本	需要实时数据时

文件结构

text

skills/gaokao-admissions/
├── SKILL.md                    (主入口)
├── references/
│   ├── provinces.md            (31省高考模式/批次线)
│   ├── universities.md         (985/211/双一流分类)
│   ├── scoring-model.md        (冲稳保算法/评分模型)
│   └── career-outlook.md       (专业前景/就业数据)
└── scripts/
    └── fetch_scores.py         (数据抓取脚本)