高考志愿填报智能助手:内置26省4,623所院校10.8万条投档数据 + 19省14,008对跨年回测校准。位次分析、一分一段表查询、冲稳保方案生成、专业选择建议。支持新高考(3+1+2/3+3)与老高考,分科类IQR自适应阈值。开箱即用——提供省份+分数即可生成方案。触发词:高考志愿、报志愿、位次、一分一段、录取排名、冲稳保、院校对比、专业选择、高考分数、志愿填报。
高考志愿填报助手是一项面向实际任务的技能,主要用于基于"位次法"的高考志愿填报智能助手;核心理念: 看排名(位次)比看分数更重要 — 分数因试题难度波动,但考生的全省排名相对稳定;
启动后按顺序收集以下信息;前3项为必填 (缺失则暂停),第4-8项为推荐收集(缺失时说明默认假设后继续):。它将相关步骤、工具调用和结果整理方式集中到统一流程中,帮助使用者更快完成目标并减少重复操作。从功能定位来看,该技能强调把分散的操作要求整理成清晰、可复用的处理流程,使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。
实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数,再依据技能说明逐步执行;若输入条件不完整,应先补齐信息或采用保守配置,避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期,并对异常提示、缺失字段和边界情况进行处理;涉及批量任务时,还应保存进度,避免中断后重复操作。
基于"位次法"的高考志愿填报智能助手。核心理念:看排名(位次)比看分数更重要 — 分数因试题难度波动,但考生的全省排名相对稳定。
本 Skill 提供位次查询、院校录取数据对比、冲稳保方案生成、专业选择建议等功能。
启动后按顺序收集以下信息。前3项为必填(缺失则暂停),第4-8项为推荐收集(缺失时说明默认假设后继续):
| # | 信息项 | 必填 | 示例 | 缺失时的处理 |
|---|---|---|---|---|
| 1 | 省份 + 高考模式 + 选科 | ✅必填 | 贵州省 / 3+1+2 / 物化政 | 暂停分析,友好询问 |
| 2 | 高考总分 + 全省位次 | ✅必填 | 536分 / 位次30139 | 暂停分析,友好询问 |
| 3 | 科类(物理类/历史类/文/理科) | ✅必填 | 物理类 | 暂停分析,友好询问 |
| 4 | 意向地域 + 是否接受偏远 | 🉑推荐 | 不限 / 优先一线 | 默认=不限 |
| 5 | 家庭经济条件 + 费用偏好 | 🉑推荐 | 中等 / 不排斥中外合作 | 默认=中等,仅推公办 |
| 6 | 兴趣特长 + 明确排斥的专业/行业 | 🉑推荐 | 喜欢计算机 / 不想学医 | 默认=不限方向 |
| 7 | 发展诉求(好就业/考研/考公/院校档次) | 🉑推荐 | 优先好就业+兼顾考研 | 默认=综合推荐 |
| 8 | 特殊身份(艺术/体育/军校/专项/民族等) | 🉑推荐 | 无 | 默认=无 |
💡 最佳输入格式(用户只需像聊天一样说):
- "贵州省物理类536分,位次30139,选科物化政,想去江浙沪,家庭中等,想学计算机好就业"
- "河南理科520分能上什么学校"
- "位次35000,湖南省,想学计算机"
必填项缺失(第1-3项)——暂停分析,直接提示:
😊 还差一点点,我需要以下信息才能为你制定方案: ❌ 缺少:[具体缺失项] 👉 请补充: · 你在哪个省份参加高考? · 本次高考总分是多少?全省位次是多少?(位次更准确,优先提供) 以上信息补充后,我会立刻开始分析!
非必填项缺失(第4-8项)——说明假设后继续:
ℹ️ 部分信息未提供,我将按以下默认值进行分析: · 地域偏好:未指定 → 默认全国不限 · 家庭经济:未指定 → 默认中等,仅推荐公办 · 发展方向:未指定 → 默认综合推荐 如有不符,随时告诉我,我会立刻调整方案。
数据异常或矛盾(如分数与位次严重不符)——主动提醒核实。
1. 校验输入(8维度信息收集)→ 必填缺失则暂停询问,非必填缺失说明默认值 2. 判断省份高考模式(3+1+2/3+3/老高考)→ 查 references/national-policy-reference.md 3. 查内置数据 → 有则直接匹配,无则提示获取方式 4. ⭐ 询问招生计划变化(2026 vs 2025)→ 有数据则做位次调整 5. 按省份波动性选阈值 → 稳定/中等/高波动 三档自适应 6. 生成冲稳保方案(含专业方向分组)→ 用调整后等效位次匹配 7. ⭐ 为每个推荐院校附加深度解析(5维度结构化输出) 8. ⭐ 为每个推荐专业附加职业前景6维评估(查 references/career-prospects-reference.md) 9. 输出完整六板块 HTML 报告(基于 templates/report-template.html 模板) + 数据来源标注 + 风险提醒 + 费用参考
不做: 预测当年精确录取分数线、替用户做最终决策、提供非官方数据源的数据。
| 维度 | 分数 | 位次(排名) |
|---|---|---|
| 稳定性 | 年波动大(试题难度影响) | 相对稳定 |
| 可比性 | 不同年份不可直接比 | 可直接对比 |
| 参考价值 | 辅助参考 | 核心参考坐标 |
传统位次法的盲区:只看排名,忽略了招生计划(供给侧)的变化。
当2026年某省本科招生总计划比2025年多20,000人时:
简化版(仅需省级总计划数据):
等效2025位次 = 2026实际位次 × (2025本科招生总计划 / 2026本科招生总计划)
示例:某省2025年本科计划200,000人,2026年220,000人(+10%) 考生2026年排100,000名 → 等效2025年位次 = 100,000 × (200,000/220,000) = 90,909名 即该考生在2026年的竞争力 ≈ 2025年的90,909名
精确版(需省级招生计划数据,31省全覆盖):
使用全国供给曲线模型(references/nationwide_enrollment_model.json),按位次段做非线性调整:
模型基于贵州2025年物理类专业级数据(129,668个名额,18,325条专业记录)构建供给曲线形状,再用各省2024年本科招生总计划+考生总数缩放到31省。各省曲线形状相同(头部名额集中、尾部稀疏),但绝对数量不同。
| 省份 | 本科计划 | 考生总数 | 本科率 | 省份 | 本科计划 | 考生总数 | 本科率 |
|---|---|---|---|---|---|---|---|
| 广东 | 356,000 | 724,000 | 49.2% | 四川 | 230,000 | 595,000 | 38.7% |
| 河南 | 360,000 | 982,000 | 36.7% | 河北 | 260,000 | 566,000 | 45.9% |
| 山东 | 270,000 | 670,000 | 40.3% | 湖南 | 235,000 | 468,000 | 50.2% |
| 安徽 | 235,000 | 496,000 | 47.4% | 江苏 | 220,000 | 347,000 | 63.4% |
| 湖北 | 200,000 | 398,000 | 50.3% | 广西 | 180,000 | 389,000 | 46.3% |
| 江西 | 200,000 | 466,000 | 42.9% | 浙江 | 180,000 | 287,000 | 62.7% |
| 云南 | 150,000 | 355,000 | 42.3% | 山西 | 150,000 | 301,000 | 49.8% |
| 辽宁 | 140,000 | 215,000 | 65.1% | 贵州 | 135,000 | 313,000 | 43.1% |
| 陕西 | 160,000 | 271,000 | 59.0% | 黑龙江 | 115,000 | 191,000 | 60.2% |
| 重庆 | 125,000 | 208,000 | 60.1% | 甘肃 | 120,000 | 226,000 | 53.1% |
| 福建 | 130,000 | 233,000 | 55.8% | 内蒙古 | 95,000 | 172,000 | 55.2% |
| 吉林 | 90,000 | 130,000 | 69.2% | 新疆 | 75,000 | 167,000 | 44.9% |
| 北京 | 70,000 | 78,000 | 89.7% | 天津 | 55,000 | 68,000 | 80.9% |
| 上海 | 60,000 | 55,000 | 109.1% | 海南 | 45,000 | 70,000 | 64.3% |
| 宁夏 | 45,000 | 77,000 | 58.4% | 青海 | 35,000 | 51,000 | 68.6% |
| 西藏 | 15,000 | 33,000 | 45.5% |
数据来源:各省教育考试院2024年公布数据。全国本科计划合计约474万/考生总数约960万/平均本科率49.3%。注意上海本科率超100%因外地院校在上海投放计划多于本地考生数。
| 省份 | 前1%偏移 | 前10%偏移 | 前30%偏移 | 前50%偏移 | 前70%偏移 |
|---|---|---|---|---|---|
| 广东 | -1,207名 | -12,462名 | -34,056名 | -56,075名 | -80,758名 |
| 河南 | -1,637名 | -16,902名 | -46,192名 | -76,057名 | -109,538名 |
| 山东 | -1,117名 | -11,532名 | -31,516名 | -51,893名 | -74,735名 |
| 四川 | -992名 | -10,241名 | -27,988名 | -46,084名 | -66,370名 |
| 江苏 | -579名 | -5,973名 | -16,323名 | -26,876名 | -38,706名 |
| 贵州 | -522名 | -5,388名 | -14,724名 | -24,243名 | -34,914名 |
⚠️ 核心规律:头部影响极小(~1K名),尾部影响巨大(~50-110K名)。大省(河南/广东/山东)绝对偏移远大于小省(北京/上海)。完整31省×15档位次×7档调整幅度数据见
references/nationwide_enrollment_model.json
Agent 在生成2026年志愿方案时,主动询问用户:
"2026年XX省本科招生总计划是多少?2025年是多少?(可从省考试院《招生计划》或新闻公告中获取)"
如果用户提供了招生计划数据:
如果用户未提供招生计划数据:
供给曲线描述的是「位次→累计可获取的招生名额」映射关系。核心特征:
这一曲线形状在全国各省份高度一致(由高校层次结构决定),但各省绝对数量差异巨大。
⚠️ 以上数据基于贵州2025年物理类专业级实际数据(129,668名额/18,325条专业记录)构建曲线形状,再按各省2024年本科招生总计划+考生总数缩放。完整31省数据见
references/nationwide_enrollment_model.json
| 优先级 | 数据源 | 说明 |
|---|---|---|
| ⭐⭐⭐ | 省教育考试院官网 | 一分一段表、投档线、招生计划(最权威) |
| ⭐⭐⭐ | 各省《高考志愿填报指南》 | 官方出版,含往年录取最低分及位次 |
| ⭐⭐ | 目标院校本科招生网 | 分省分专业录取数据 |
| ⭐⭐ | 阳光高考平台 | 院校信息、专业库 |
| ⭐ | 第三方聚合平台 | 掌上高考/夸克/百度AI助考等(仅供参考,以官方为准) |
用户输入分数/位次
↓
确定省份 + 科类(物理类/历史类/理科/文科)+ 选科(新高考)
↓
尝试从已缓存数据中匹配 → 无缓存则提示用户去官方渠道获取
↓
匹配目标院校往年录取数据
↓
按冲稳保三档生成方案
↓
输出志愿推荐表
~/.hermes/workspace/gaokao-data/{省份}_{年份}_{科类}_score_dist.xlsx(一分一段表){省份}_{年份}_{school}_admission.xlsx(院校录取数据)multi_province/ 目录下的 {省份}_{年份}_admission.json 文件包含专业组级别投档数据(如 广东_2024_admission.json 含571条历史类+1248条物理类数据),优于 province_classified.json 的聚合数据| 字段 | 说明 | 示例 |
|---|---|---|
local_type_name |
科类(物理类/历史类/综合) | 历史类 |
min |
最低录取分数(字符串,含"-") | 512 |
min_section |
最低录取位次(字符串,含"-") | 31699 |
name |
院校名称 | 广东财经大学 |
city_name |
院校所在城市 | 广州市 |
nature_name |
办学性质(公办/民办) | 公办 |
f985 |
985标识(1=是985,2=非985,非布尔值) | 2 |
f211 |
211标识(1=是211,2=非211,非布尔值) | 2 |
local_batch_name |
录取批次 | 本科批 |
year |
数据年份 | 2024 |
本 Skill 已内置大量投档数据,多数省份无需用户手动获取:
| 数据类型 | 覆盖范围 | 数量 | 位置 |
|---|---|---|---|
| 全国院校投档数据 | 31省 | 57,276 条 / 22,338 所院校 | province_v9/ + province_classified.json |
| 专项投档数据(多源聚合) | 部分省份多年份 | 含院校-专业组级别数据(广东2024历史类571条+物理类1248条) | multi_province/ ✅ 首选补充数据源 |
| 2025年新增数据 | 6省 | 7,397 条 (北京/上海/浙江/山东/河北/贵州) | dxsbb_2025/ + province_v9/ |
| 广东专项数据 | 广东 | 2024+2025年PDF(历史/物理类) | gd_extract/ + gd_extract_2025/ + gd_2024_scores/ + gd_2025_scores/ |
| 一分一段表 | 16省 | 12-22省覆盖 | province_scores/ |
| 跨年回测配对 | 31省 | v27回测(13,402对,含2022→2023→2024→2025四年验证) | backtest_results/backtest_v27.json |
| 全国院校基础库 | 全国 | 1,342 所(含985/211/双一流标签) | school_list.json |
| 省级阈值参数 | 23省 | IQR自适应冲稳保阈值 | 内嵌于附录A.5 |
| 全国招生计划数据 | 31省 | 本科计划+考生总数(474万/960万) | provincial_enrollment_data.json |
| 全国供给曲线模型 | 31省 | 15档位次×7档调整幅度 | references/nationwide_enrollment_model.json |
⚠️ 广东数据缺口:
province_classified.json中广东2024年历史类数据为0条(仅有91条物理类+6条2023年历史类专科)。广东历史类志愿方案需从PDF数据文件解析,见下方「广东特殊处理流程」。
优先查内置数据,找到则直接出方案;未覆盖的省份才需引导用户从官方渠道补充。
脚本快速入口(Agent 调用优先级):
| 脚本 | 用途 | 说明 |
|---|---|---|
scripts/gaokao_tools.py |
主工具 | 位次查询、院校匹配、方案生成的统一入口 |
scripts/backtest_v24.py |
回测校准 | 25省v24回测(56,600条,含2023→2024→2025三年验证) |
scripts/fetch_dxsbb_2025.py |
2025数据抓取 | 从dxsbb.com解析2025年投档线HTML表格 |
scripts/integrate_dxsbb_2025.py |
数据整合 | dxsbb 2025数据整合到province_classified.json |
scripts/supplement_from_raw.py |
数据补充 | 从raw_2024.json补充缺失省份数据 |
⚠️ 回测最新版为 backtest_v24.py(位于
~/.hermes/workspace/gaokao-data/),直接使用backtest_v24.json结果即可。backtest_v2~v23 为历史迭代版本,保留用于审计。
| 维度 | 3+1+2 | 3+3 |
|---|---|---|
| 首选科目 | 物理/历史(二选一) | 物理/化学/生物/政治/地理/历史(六选三) |
| 再选科目 | 化学/生物/政治/地理(四选二) | — |
| 投档方式 | 院校专业组 或 专业+院校 | 专业+院校(浙江/山东等) |
| 位次分类 | 物理类/历史类分别排位 | 按选科组合分别排位 |
| 维度 | 说明 |
|---|---|
| 分类 | 理科 / 文科 / 艺术 / 体育 |
| 投档方式 | 院校为主,调剂到专业 |
| 位次 | 理科排名 / 文科排名 |
| 选科组合 | 可报专业覆盖率 | 主要受限专业 |
|---|---|---|
| 物化生 | ~96% | 几乎无限制 |
| 物化政 | ~95% | 部分医学要求生物 |
| 物化地 | ~94% | 部分农学要求生物 |
| 物生政 | ~87% | 大部分工科要求化学 |
| 物生地 | ~85% | 化工材料要求化学 |
| 物政地 | ~80% | 理工农医受限较多 |
| 史政地 | ~50% | 理工农医基本不可报 |
| 史政生 | ~52% | 理工农医基本不可报 |
| 史化政 | ~52% | 大部分工科受限 |
| 史化地 | ~51% | 大部分工科受限 |
| 史化生 | ~52% | 大部分工科受限 |
| 史生地 | ~50% | 理工农医基本不可报 |
从 v4.0.0 起,默认输出为美观的自包含 HTML 页面,不再使用 Markdown 纯文本。
templates/report-template.html 获取 HTML 骨架templates/html-output-guide.md 获取占位符替换说明{{PLACEHOLDER}} 替换为实际内容(复合区块用 HTML 片段)HTML 模板内置七个 ,对应七大板块:
#0a0e14 Hero 底色、卷轴金渐变 scroll rod、岳麓枫金 #b8860b 主题色、金榜朱红 #c73e1d 警示/朱印色、宣纸暖白 #fdfbf7 主背景、湘西米灰 #faf7f2 交替区用户请求院校对比时,也输出 HTML 格式。在 report-template 基础上裁剪为一个对比表格页面:
| 对比维度 | {{SCHOOL_A}} | {{SCHOOL_B}} |
|---|---|---|
| 院校层次 | 985/211 | 省属重点 |
| 学科评估 | A+ | B+ |
| 2024最低位次 | 4,500 | 12,000 |
如果用户明确要求 .md 格式,回退到纯文本 Markdown 输出(原 v3.x ASCII 表格模板)。
| 编号 | 规则 |
|---|---|
| H1 | 所有推荐必须基于位次法而非分数直接对比 |
| H2 | 数据来源必须标注清楚,无法确认来源时明确告知用户 |
| H3 | 不做确定性录取保证,使用"录取概率"表述 |
| H4 | 新高考必须区分物理类/历史类/选科要求 |
| H5 | 建议用户最终以省考试院官方系统和招生章程为准 |
| H6 | 输入校验必须执行:省份/分数/位次缺失时主动询问,不可假设或猜测 |
| H7 | 数据年份必须标注:每份报告必须注明数据年份和来源 |
| H8 | 异常数据必须预警:分数与位次不匹配、数据年份过旧等情况主动提醒 |
| H9 | 默认仅推荐公办院校。除非用户明确说「民办也行」或「不限公办民办」,否则推荐方案中绝不含民办院校。用户通常默认认为推荐的应是公办院校,含民办会让用户感到「非常不合理」。即使该民办院校位次高于用户位次(属于冲刺范围),也不应推荐。 |
| 编号 | 规则 |
|---|---|
| S1 | 优先参考近 3 年录取数据,以最近一年权重最高 |
| S2 | 冲稳保比例默认建议 3:4:3 |
| S3 | 推荐院校数量:冲、稳、保每个至少10所(广东省本科批可填45个专业组,太少的推荐不实用) |
| S4 | 需关注招生章程中的专业级差、单科成绩要求、身体条件限制 |
| S5 | 提醒用户关注征集志愿和批次线变化 |
| 编号 | 规则 |
|---|---|
| M1 | 不对当年录取结果做确定性预测,使用概率化表述 |
| M2 | 数据不足时明确告知,绝不编造院校录取数据 |
| M3 | 超出能力边界时直接拒绝并说明原因 |
| M4 | 提醒用户多方面考量(兴趣、就业、地域、家庭因素),不只看分数 |
| M5 | 涉及具体院校时,建议用户查阅该校本科招生网最新信息 |
nature_name 含 "民办" 的剔除),或用 f985!=1 && f211!=1 && nature_name!="公办" 判断。只有在用户明确说"民办也行"时才包含民办推荐。references/nationwide_enrollment_model.json)做调整——31省全覆盖。A:优先建议用户从省考试院查询位次(位次比分数准确得多)。如确无法获取:
province_scores/)反查位次A:明确告知"该省暂无内置投档数据",然后:
references/data-sources.md)A:
A:指用上一年的录取数据来预测今年录取结果的准确性:
A:本 Skill 提供选科-专业覆盖率参考表,但各校具体选科要求以招生章程为准。Agent 应:
A:见下方「特殊招生类型」章节。投档数据中含专项计划记录,Agent 会区分标注但需提醒额外资格条件。
A:内置数据主要为2023-2025年。每年高考季后应更新。Agent 在输出报告时必须标注数据年份,并提醒"位次参考以最近一年为最重要"。
A:有。基于v24回测和分科类回测(25省42组9,869对),关键发现:
| 省份类型 | 冲命中率 | 稳命中率 | 保命中率 | 建议 |
|---|---|---|---|---|
| 新高考3+3综合(上海/北京/浙江/天津/海南) | 96.6% | 89.3% | 90.1% | 保底略弱,建议增加1-2个保底志愿 |
| 新高考3+1+2物理(江苏/河北/湖南/湖北/重庆/贵州) | 96.8% | 88.5% | 94.3% | 冲稳保均衡,标准阈值适用 |
| 新高考3+1+2历史 | 96.1% | 88.8% | 96.1% | 保底可靠,冲刺略保守 |
| 老高考文科(山西/甘肃/陕西/黑龙江/广西等) | 95.7% | 84.9% | 98.2% | 稳命中率最低,建议冲稳保比例4:3:3 |
| 老高考理科 | 96.9% | 84.7% | 96.2% | 同上,稳命中率偏低需注意 |
| 高波动省份(云南/宁夏/新疆) | 93.5-97.3% | 87.4-90.6% | 92.1-96.4% | 冲稳保阈值均需适当放宽 |
核心建议:
A:回测发现老高考文科(山西55.5%、陕西51.7%、黑龙江52.5%)的冲命中率明显低于理科。可能原因:
应对策略:老高考文科考生建议冲稳保比例为 4:3:3(多填一个冲的志愿)
每次生成志愿方案后,必须将完整报告保存为 .html 文件。
D:GitHubhermescndocsgaokao(已有历史报告,保持同一目录){省份}{年份}{科类}_{分数}分_{描述}.html广东2026历史类_529分_志愿方案.html贵州2026物理类_536分_志愿分析.html广东2026历史类_529分_志愿方案v2.html[System.IO.File]::WriteAllText(path, content, [System.Text.UTF8Encoding]::new($false)) 写入(不用 write_file 工具,D盘会静默失败)New-Item -ItemType Directory -Path "D:GitHubhermescndocsgaokao" -ForceTest-Path 确认文件存在,且 Get-Item 确认大小 > 5KBtemplates/report-template.html 模板渲染的完整 HTML 报告根据用户输入自动选择工作流:
| 用户意图 | 工作流 | 说明 |
|---|---|---|
| 查询分数对应位次 | 工作流 A:位次查询 | 需要一分一段表数据 |
| 根据位次筛选院校 | 工作流 B:院校匹配 | 匹配冲稳保三档 |
| 生成完整志愿方案 | 工作流 C:方案生成 | 综合位次+院校+专业 |
| 院校/专业对比 | 工作流 D:对比分析 | 多维度对比 |
| 选科-专业查询 | 工作流 E:选科指导 | 新高考选科对应专业 |
province_classified.json 中广东省2024年历史类数据为0条(仅有91条物理类2024 + 6条历史类2023专科)。当用户查询广东历史类志愿方案时,需要走特殊处理流程。
| 目录 | 内容 | 说明 |
|---|---|---|
~/.hermes/workspace/gaokao-data/gd_extract/ |
2024年PDF(16个) | 附件1=物理类,附件2=物理类(高分段),其余为艺术类 |
~/.hermes/workspace/gaokao-data/gd_extract_2025/ |
2025年PDF(16个) | 文件1=历史类一分一段表,文件2=物理类一分一段表 |
~/.hermes/workspace/gaokao-data/gd_2024_scores/ |
同gd_extract(副本) | 2024年分数段统计表 |
~/.hermes/workspace/gaokao-data/gd_2025_scores/ |
同gd_extract_2025(副本) | 2025年分数段统计表 |
~/.hermes/workspace/gaokao-data/gd_admission/ |
广东院校录取数据 | 含gd_2024_admission.zip |
文件名因编码问题显示为乱码,但内容可通过 pdfplumber 读取识别:
当用户为广东历史类考生时,按以下步骤:
1. 解析2025年历史类一分一段表PDF(gd_extract_2025/文件1)
→ 用 pdfplumber 提取,正则匹配: r'^(d{3})s+(d+)s+(d+)'
→ 得到 (分数, 人数, 累计人数) 列表
→ 注意区分"含本科加分"和"含专科加分"两列(本科列更关键)
2. 将用户分数换算为2025年排位:
- 从表中找到用户分数对应的累计人数(本科含加分列)
- 示例:2025年历史类529分→36,999名
3. **从multi_province/加载历史类真实投档数据(首选方案):**
- 加载 `~/.hermes/workspace/gaokao-data/multi_province/广东_2024_admission.json`
- 用 `d.get('local_type_name')=='历史类'` 过滤历史类数据(~571条)
- 解析 `min`(最低分)和 `min_section`(最低位次)字段
- 也加载 `广东_2023_admission.json` 做多年份对比
- **f985/f211处理**:f985==1 才是985(非布尔值),f211==1 才是211
- 每个院校展示专业组位次范围(最低分专业组~最高分专业组)
4. 结合分数通胀校正(2024→2025广东历史类通胀约**+25分**):
- 529分在2024年排23,406名,2025年排36,999名
- 跨年对比时必须用位次而非分数
5. **参考2025年各批次分数线做特殊通道分析**(来自省考试院公告):
- 特殊类型招生控制线:557分(强基/综评/高校专项)
- 地方专项计划:527分 ✅ 用户529分超2分
- 教师专项(华师/广州大学):537分
- 教师专项(其他院校):487分
- 卫生专项(本科):537分
- 本科线:464分
6. **过滤民办院校**:按 H9 默认仅推荐公办。
- `nature_name` 含 "公办" 或 `f985==1` 或 `f211==1` 的保留
- `nature_name` 含 "民办" 的直接剔除
- 数据示例:广州南方学院 `nature_name="民办"` → 剔除
7. **生成冲稳保方案**,每档至少10所院校,标注2024+2023两年数据对比:
- **冲刺(Rush)**:所有专业组位次均高于用户位次(`i["rx"] < u`)
- **稳妥(Stable)**:用户位次落在院校专业组位次范围内(`i["rn"] < u <= i["rx"]`)
- **保底(Safe)**:所有专业组位次均低于用户位次(`i["rn"] >= u`)
- **稳妥排序建议**:按学校质量(985/211/广州市区优先)排序,而非仅按位次范围。打分公式示例:985=100分,211=50分,广州市区=10分,再按最低位次升序
| 分数 | 累计人数(本科含加分) | 备注 |
|---|---|---|
| 535 | 33,134 | 接近用户位次32,816 |
| 534 | 33,782 | |
| 530 | 36,301 | |
| 529 | 36,999 | 用户分数对应排位 |
| 525 | 39,694 |
| 院校 | 2024分数 | 2024位次 | 层次 |
|---|---|---|---|
| 南方医科大学 | 572 | 16,584 | 重点本科 |
| 华南师范大学 | 571 | 16,934 | 211/双一流 |
| 深圳技术大学 | 563 | 19,744 | 本科 |
| 广州中医药大学 | 534 | 32,336 | 重点本科 |
| 广东财经大学 | 530 | 34,090 | 重点本科 |
| 广东警官学院 | 529 | 34,763 | 重点本科 |
| 东莞理工学院 | 526 | 36,041 | 本科 |
| 华南农业大学 | 524 | 37,265 | 211/双一流 |
| 广东金融学院 | 520 | 39,707 | 本科 |
| 广东第二师范学院 | 510 | 45,092 | 本科 |
| 五邑大学 | 508 | 46,626 | 本科 |
| 广东工业大学 | 504 | 49,411 | 重点本科 |
| 广东医科大学 | 502 | 50,378 | 重点本科 |
| 广东以色列理工学院 | 496 | 54,247 | 本科(中外合作) |
| 广东技术师范大学 | 495 | 54,707 | 本科 |
⚠️ 重要:以上物理类数据仅作为院校层次参考,历史类实际录取位次不同。最终方案请以广东省教育考试院官方发布的2026年历史类投档线为准。
Agent 收到用户请求后,必须先检查以下信息是否齐全,缺失时主动友好询问:
| 检查项 | 必填 | 校验规则 | 缺失时的提示话术 |
|---|---|---|---|
| 省份 | ✅ | 31个省份名匹配(支持简称如"贵州"="贵州省") | "请问是哪个省份的考生?" |
| 分数 | ✅ | 0-750整数,含政策加分 | "请问高考总分是多少(含加分)?" |
| 位次 | ⭐强烈推荐 | 正整数,与分数交叉验证 | "最好能提供全省位次,会更准确。可以从省考试院官网查到。&quo
相关专题 热门下载 相关下载 精品课程 热门推荐 /
最新课程
phpStudy极速入门视频教程
共6课时 | 54.7万人学习
独孤九贱(4)_PHP视频教程
共89课时 | 133.9万人学习
PHP实战天龙八部之仿爱奇艺电影网站
共49课时 | 82.5万人学习 |