山东省高考录取数据匹配整理（年度复用，v5）

单一真相源：完整设计见 spec/plan（docs/superpowers/specs/ + plans/）。
管线阶段/审计检查项/故障排查的详细参考：REFERENCE.md（各 Step 内联指针指向具体章节）。
本 skill 是年度执行的浓缩；与 spec/plan 冲突时以 spec/plan 为准。

自主启动流程（收到文件后按此执行）

收到山东省高考数据 xlsx（或提及 大绿本/近三年线差/提前批录取/CEE）时，按以下 7 步自主执行。每步有完成判据；不确定的用 AskUserQuestion 问，不静默停。

Step 1：识别三源 + 验证列布局

• 读 data/（或用户指定路径）下 xlsx，按内容识别：大绿本（含「批次/学校代码/代号/名称」）、近三年线差统计（含「batch/schoolcode/统计线差」）、提前批录取数据（含「批次名称/录取低分」）。
• 验证列布局：读各表 header，用下方「常量速查」的列索引确认一致。若列变 → 更新 constants.py + 告知用户。
• 完成判据：三源识别完毕 + 列布局匹配 constants（或已更新并验证）。

Step 2：确认参数（智能询问——只在缺失时问）

先检查调用 prompt 提供了什么：文件路径？年份？一段线？范围？已知改名？
已提供的直接用，只问缺失的。 能从数据推断的（如年份从文件内容）不问。

• 一段线：调用 prompt 说了就用；没说 → 从近三年「说明」sheet 读取（如有）；都没有 → AskUserQuestion 问。
• 范围：默认「仅提前批+常规批一段、仅本科」——除非调用 prompt 另说。
• 已知改名校：调用 prompt 提了就记录；没提也行（改名检测 agent 会网查）。
• 完成判据：一段线已确认（提供 / 读取 / 问到）+ constants.ONE_LINE 已更新。

Step 3：更新常量 + 基线

• 更新 constants.ONE_LINE + tests/baseline_hashes.py（三源 SHA256）。
• 完成判据：ONE_LINE + baseline_hashes 反映当年数据。

Step 4：跑确定性管线

• .venv/bin/python -m scripts.run_pipeline（Stage0→1→1.5→3，不调 agent）。

• 各 Stage 的详细参数（归一化函数/严格键/粗筛键/Stage2 契约/复核 demote/边界公式）见 REFERENCE.md「管线阶段」——出问题时查阅。

• 完成判据：管线跑通，主表+边界表产出，agent prompt 已生成待派发。

Step 5：派发 agent（harness 侧）

• semantic-match/RUN.md：Stage2 语义匹配 agent。
• semantic-match/RUN_VERIFY.md：判断型二次复核（precision-first：粗筛+语义全部须复核）。
• research/RUN_RENAME.md：改名检测 + WebSearch 网查。
• 完成判据：三套 agent result jsonl 齐全。

Step 6：回填 + 审计硬门

• .venv/bin/python -m scripts.run_pipeline --with-agent-results（回填最终主表+边界表）。
• .venv/bin/python -m scripts.audit_output → exit 0 才算完成。

• 审计 5 项检查的详细判据见 REFERENCE.md「数据质量审计硬门」——audit FAIL 时查阅定位。故障排查表也在 REFERENCE.md。

• 完成判据：audit exit 0。

Step 7：产出报告

• 生成 output/数据整理报告.md（markdown，讲清表格关系/作用/口径/阶段分布/列说明，基于真实当年数字）。
• 完成判据：报告文档产出 + audit exit 0 + .venv/bin/python -m pytest 全绿 + ruff check 无错。

铁律

• 三源 xlsx 字节级只读：读取前后 SHA256 校验。
• 范围：仅 提前批 + 常规批一段、仅本科；专科全排除（小标题含「专科」即弃）。
• 一段线：每年不同（constants.ONE_LINE，Step 2 确认）。
• 输出不覆盖大绿本原列：行尾追加 7 列（J/T + 匹配阶段/单年数据/选科漂移/复核结果/原因备注）。原 12 + 7 = 19 列。
• precision-first：只有严格精确构造的匹配算「确定」；所有判断型匹配（粗筛+语义）必须经二次 agent 复核。verdict=确定 留主表；verdict=存疑 → 下放特殊表。主表零错配是完成硬门。
• 精度 2 位：新算的值舍入 2 位；matched 保留源值。
• T 策略：单年历史 T 留空+日志「(单年数据，无标准差)」；新增估算 J 与 T 同时给（同校同选科均值，T 排除 None）。
• 审计硬门：完成前必跑 python -m scripts.audit_output，exit 0 才算完成（pytest 全绿 ≠ 产出正确）。

常量速查（Step 1 验证列布局用）

• 一段线：{2023:443, 2024:444, 2025:441}（constants.ONE_LINE）。
• 近三年列（0-based）：批次=0 / 校名=2 / 专业=3 / 选科=4 / 统计线差 J=9 / 标准差 T=19。
• 提前批低分列：2025=10 / 2024=14 / 2023=18。
• 大绿本批次：4.常规批 / 1.提前批A类 / 2.提前批B类 / 3.提前批—飞行技术(军队)。
• 专科关键词：「专科」（小标题含即排除）。

匹配规则（核心领域知识——理解专业名匹配的全部依据）

什么使同名专业是「不同专业」（六要素差异化，必须对齐）

1. 专业方向/描述（如 量化投资、含电力储能方向）——核心名同但方向不同 = 不同专业。
   教学样例：投资学(量化投资) ≠ 投资学——两个不同专业、不同分数线，不能混配。
2. 性别（男/女）——分性别招生、不同分数线。完全同名但不同性别 = 两个独立专业，分开匹配。
3. 校外合作（中外合作办学 / 校企合作 / 合作国别）——不同合作轨道 = 不同专业。
4. 独立校区（如 东北大学秦皇岛分校 ≠ 东北大学）——不同校区 = 不同专业。
5. 招生类别（普通计划 / 中外合作 / 地方专项 / 走读 / 边防预科…）——不同招生轨道 = 不同专业。
   近三年拼进校名，大绿本在小标题(B)列——须剥校名后缀对齐。
6. 核心名本身（去括号后的基础专业名）——核心名不同 = 不同专业。

什么不影响「是否同一专业」（忽略类，剥除后匹配）

身高 / 体重 / 色盲 / 色弱 / 视力 / 体检标准 / 合格 / 语种 / 单科成绩 / 年龄 / 特殊类型招生控制线

性别是唯一例外——不能忽略。

关键洞察

• 大绿本 2026 专业名远比近三年详细（子专业清单/校区/培养描述/国际交流长文）→ 核心名+差异化括号对齐即可匹配，多余描述性长文不影响。
• 核心名唯一也可能错配方向（投资学反例）→ 判断型匹配须二次复核（precision-first）。
• 选科政策漂移（37.5% 近三年跨年多值）→ 选科不作为差异化项。

输出（output/）

文件	内容
大绿本_附线差_分层版.xlsx	原表全行 + 行尾 7 列（J/T + 5 结构列）；专科行标注「专科（超范围）」
大绿本_附线差_扁平版.xlsx	仅本科专业行 + 行尾 7 结构列
新增专业.xlsx	估算值 / 退化级别 / 样本量 / 日志
被删旧专业.xlsx	近三年 J/T + 日志
特殊情况.xlsx	飞行不成 / 剩余无法匹配 / 复核存疑
学校改名表.xlsx	新校名 / 候选旧校名 / 置信度 / 专业数 / 备注 / 人工已核验
新增校表.xlsx	未配对的大绿本独有校
停招消失校表.xlsx	未配对的历史独有校

分层版与扁平版同源：同一 MatchResult 列表，同专业行 7 列行尾逐行相等（审计检查④验证）。

主表 5 结构化列（便于筛选）：匹配阶段 / 单年数据(是/空) / 选科漂移(是/空) / 复核结果(确定/空) / 原因备注(自由文本)。flag 列「是」即满足、「非空」即可筛。边界表保留原单一日志列。

完成判据（每项必过）

• 8 张表齐全；pytest 全绿(≥80%) + ruff clean。
• 审计 exit 0（主表零错配 / 0空匹配阶段 / 0空行 / J-T一致）。
• 三源 SHA256 不变；100% 归类；精度 ≤2 位；报告文档已生成。