Study Abroad Assistant - 留学助理

美国研究生申请助理（美国 · 理工大类：CS/EE/Data 等）— 引擎增强版专家 skill。 提供：竞争力画像、申请计划制定与执行跟踪、分层选校、文书逐段反馈、套磁草稿、报告生成。 Use when: 用户请求留学申请帮助、竞争力评估、选校、文书润色、套磁、申请计划。 Trigger: 留学申请, 美研申请, 研究生申请, 选校, 竞争力评估, 文书反馈, 套磁, 申请计划, study abroad, grad school, MS application Pricing: Free skill; 画像/文书/套磁/报告按次匿名试用（5 次/7 天），检索与计划不消耗额度

留学助理 — 美国研究生申请（引擎版）

Overview

美国研究生申请（MS/PhD，理工大类）的过程管理 + 专业咨询 skill：

• 画像：六维竞争力打分 + 短板归因 + 建议动作
• 计划：按申请季生成 9 阶段时间线与任务，支持执行跟踪（倒计时 / 逾期提醒 / 完成标记）
• 选校：结构化知识库（Top 60 校）+ 方向标签匹配，reach/match/safety 分层；教授短名单按竞争力档位聚焦顶尖校（套磁选导依据）
• 文书：SOP/PS 逐段反馈（批注 + 可执行建议）
• 套磁：首封 / 跟进邮件草稿 + 发送前检查项
• 报告：周报 / 申请进度 / offer 决策矩阵

引擎依赖（重要）

本 skill 为瘦客户端：核心能力（知识库 / 画像 / 计划引擎）由云端留学引擎提供，引擎是独立部署的服务器端服务，不随本 skill 包分发（安装包内没有 engine/ 目录，无需本地启动）。

• 默认连生产引擎：https://compliancehub.cn/api/study，开箱即用、无需任何配置
• 引擎不可达时，skill 自动降级为通用知识模式（仅 agent 生成，无知识库/画像/计划），并在输出中明确提示
• 本地开发（可选）：引擎需另行部署（服务端资产，见开发仓库 engine/ + deploy/），本地通过环境变量切换：

  bash

  STUDY_ENGINE_URL=http://127.0.0.1:8100 python3 guide.py assess --gpa 3.5
  

使用说明（CLI）

bash

# 1. 竞争力画像
python3 guide.py assess --gpa 3.5 --toefl 100 --gre 320 --degree ms --discipline cs --direction "systems,ai"

# 2. 生成申请计划（9 阶段，含 deadline 里程碑与倒计时）
python3 guide.py plan --season 2027 --degree ms

# 3. 查看计划进度 / 标记任务完成（执行跟踪）
python3 guide.py status --season 2027
python3 guide.py done --task p3t2 --season 2027

# 4. 分层选校 + 教授短名单
python3 guide.py schools --gpa 3.5 --toefl 100 --gre 320 --direction "systems,ai" --top 6
python3 guide.py schools --gpa 3.9 --direction "ai,ml,robotics" --school_ids "uw,uiuc" --top 12   # 📌连接校强制纳入
python3 guide.py schools --mode framework        # 匿名通用框架
python3 guide.py professors --gpa 3.9 --direction "systems,distributed" --top 8   # 按竞争力聚焦顶尖校
# 选校输出标记：📌=连接校（你指定，必现）；🛡=真安全校（保底档优先展示录取友好的校）

# 5. 文书逐段反馈
python3 guide.py feedback --type sop --text "<段落文本>"

# 6. 套磁草稿（first / followup）
python3 guide.py outreach --mode first --professor '{"name":"Prof. X","field":"Distributed Systems","topics":["systems"]}' --sender '{"name":"Zhang San","school":"Peking University","gpa":3.5}'

# 7. 报告
python3 guide.py report --type decision --payload '{"offers":[{"program":"CMU MSML","funding":90,"rank":95,"fit":90,"cost":40}]}'

# 8. 注册转化（匿名额度用尽或想解锁注册权益）
python3 guide.py register --key sk_xxx   # 保存 API Key 到本机 + 合并匿名进度到账户

# 9. 申请人档案（多轮对话增量修正，驱动画像/选校持续更新）
python3 guide.py profile show
python3 guide.py profile update --gpa 3.9 --toefl 112 --direction "ai,ml,robotics" --school_ids "uw,uiuc"
# 之后 assess/schools 可省略参数，自动采用档案（请求参数优先覆盖）

# 交互引导模式（无参数）
python3 guide.py

申请流程闭环（计划 → 执行 → 决策）

text

定位评估 → 背景提升 → 标化 → 选校定稿 → 文书/推荐信 → 套磁 → 提交 → 面试 → Offer 决策

• 计划按申请季（如 2027Fall）自动倒排，每个阶段带窗口、里程碑、任务与截止倒计时
• 任务可标记 todo/in_progress/done，进度按阶段与总览展示
• 关键 deadline（标化考位、推荐信提前 1.5 月、提交截止前 2 周）内建于计划模板

匿名试用与注册转化

产品逻辑：未注册用户直接使用云端引擎能力 → 通过几次交互展示画像/选校/计划价值 → 匿名额度用尽时引导注册获取 API Key → 注册后继续使用并保留进度。

• 首次使用本地生成 anon_id（存 ~/.study-abroad/anon_id）
• 匿名额度：画像/文书/套磁/报告共 5 次/7 天；选校检索与计划生成不消耗额度
• 额度用尽（QUOTA 403）：CLI 自动输出注册引导（注册地址 + 获取 API Key 步骤 + 配置方法），见 scripts/api.py 的 REGISTER_GUIDE
• 注册后进度延续：/plan 与画像数据按 anon_id 保存，注册时合并到账户（注册用户 API Key 校验随版本接入引擎）

参数配置（可调区）

参数	默认	说明
STUDY_ENGINE_URL	https://compliancehub.cn（生产）	引擎地址；本地开发填 http://127.0.0.1:8100
QUOTA_PER_WINDOW	5	匿名额度 / 7 天
QUOTA_WINDOW_DAYS	7	额度窗口
LLM_API_KEY	空（mock）	真实 LLM（文书/套磁质量更高）
LLM_MODEL	gpt-4o-mini	LLM 模型
tier 分桶	strong 10/25 · medium 20/40 · weak 30/50	选校分层（search.py CONFIG）
计划阶段/任务模板	GENERIC	计划生成器（plan.py）

能力来源与可信度（重要）

用户/宿主 agent 需区分三类输出，避免误判"引擎算的"与"通用知识估的"：

能力	来源	可信度
画像 6 维打分	引擎确定性规则（analytics），响应带 rationale 各维度计算依据	可复现；分数=规则结果，非 LLM 猜测
选校分层/匹配度	引擎确定性（方向标签交集 + rank 分档），响应带 meta.data（知识库更新日期）	知识库真实；匹配度=标签交集，非随机
教授短名单	引擎候选池（姓名占位，source_url 溯源）	学校/方向可信，教授姓名需按 faculty 页核实
计划/倒计时	引擎模板（按申请季+学位倒排）	时间锚点可信；任务为通用模板
文书反馈/套磁	引擎 mock 规则 或 宿主 agent 生成（方案 A）	草稿，必须人工定稿
agent 对话内的画像重算/选校对比/套磁名单	宿主 agent 通用知识	方向参考；具体匹配度/名单需核实

澄清："mock 模式"只指文书/套磁的 LLM 层未配 key；画像/选校/计划是真实确定性计算，不是 mock。引擎响应自带 meta（数据版本/LLM 模式）与 rationale（画像计算依据），可追溯。

边界与免责

• 不保录取/不承诺研究机会：画像/选校/匹配为参考，录取与套磁结果以官网与实际情况为准；数据带来源可溯源
• 不代写代申：AI 只出草稿/反馈，用户自行定稿与提交（学术诚信红线）
• AI 生成内容标识：文书反馈/套磁草稿为 AI 生成草稿，显式标注「AI 草稿·请自行核实定稿」，用户须自行核实后使用
• 不构成法律/签证/移民意见：重大事项指向官方渠道
• 数据准确性：知识库中 deadline/学费/录取率/GRE 要求等字段部分为待核实状态，申请前务必以各校官网为准；本 skill 不因数据误差承担录取相关责任
• 用户责任：所有提交材料与套磁内容由用户本人核实、定稿并提交；因内容真实性/时效性导致的后果由用户承担
• 隐私：本地匿名 id（anon_id）仅用于额度与进度延续；本 skill 不收集账号密码等凭据；用户提供的信息用于画像/选校计算
• 降级模式：引擎不可达时结果基于通用知识，仅供参考
• 教育咨询而非承诺：本 skill 提供的是信息整理与流程建议，不构成对申请结果的任何保证

Agent guide

服务节奏（收敛优先，未收敛不进文书）

1. 诊断：跑 assess 出画像 + 短板归因 → plan 建计划 → schools + professors 出候选集（确定性由引擎负责）
2. 多轮修正（档案驱动）：每轮对话收集到新信息（GPA/标化/科研/实习/连接校）就 profile update 增量写入档案；后续 assess/schools 自动基于最新档案（请求参数优先覆盖）——方案随信息量增加持续收敛，不推翻重来
3. 讨论收敛：给出「候选矩阵」与决策维度，引导用户收敛（读研目的/方向锁定/项目类型/连接校权重/风险/硬约束）
4. 收敛后再生成：目标集定稿后，才进入文书反馈/套磁/执行清单（agent 生成层）
5. 套磁对象 = 引擎短名单（校）× 方向候选池（人，见 PROFESSOR_CANDIDATES.md）合并映射

执行规则

1. 用户描述背景 → 先 assess → 再 plan → schools/professors → 进入讨论收敛，不直接写文书
2. 计划是主线：引导用户定期 status 查看进度、done 标记完成
3. 文书/套磁由 agent 直接生成（基于引擎的画像/选校/教授上下文），带水印"AI 草稿·请自行核实定稿"；不要直接展示 guide.py feedback/outreach 的引擎 mock 模板作为最终输出——CLI 的 mock 只是无 agent 环境的兜底，agent 在场时必须用自己的模型生成
4. 引擎负责确定性（画像/选校/教授/计划/倒计时），agent 负责生成性（文书/套磁/清单）——分工见 AGENT_GENERATED.md
5. 引擎不可达时明确告知降级，不假装有知识库结果
6. 教授/数据带核实标记（gre、deadline 等以官网为准），不编造精确数字

参考材料（同目录）

• PROFESSOR_CANDIDATES.md：研究方向分组 + 教授候选池（具身×大模型背景）
• AGENT_GENERATED.md：agent 生成模式样例（文书/套磁/执行清单）
• TODO.md：待办与已知限制
• WALKTHROUGH_RESULT.md（上一级）：走查卡点与决策记录

License

Internal use · 成乾智联