---

name: kaoyan-navigator description: 调研中国硕士研究生考试（考研）目标院校与专业的历年招生数据，评估择校爆冷/爆热、缩招、推免挤压、复试线虚低、专业课变更和复试风险，并给出冲稳保建议。适用于用户询问考研择校、院校难度、报录比、复试线、招生计划、统考名额、推免比例、拟录取分数、某校会不会爆、目标分数或需要导入自有 CSV/JSON 数据时。应先搜索公开网络和官方来源，确实找不到关键数据后再向用户索取补充材料；支持 Codex、Claude Code 和其他能读取 Skill Markdown 的 agent。

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。 当用户还没有结构化历年数据时，先看 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。CSV/JSON 可先运行：

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：

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 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 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。