你的孩子，这个分数怎么填？
输入高考成绩和个人情况，生成个性化冲、稳、保志愿方案。
① 填写成绩→② 选择偏好→③ 查看方案
第 1 步 · 填写孩子的成绩（省份 / 科类 / 位次或分数）
第 2 步 · 你最看重什么？（可选 1~3 项，不选则按均衡推荐）
点击卡片选择 / 取消，最多选 3 项；选择会直接影响三套策略的生成侧重。
生成约 1~3 秒 · 全部在本机完成 · 成绩不会上传
学生画像（可选 · 用于「人×校×专×城×业」精准匹配）可选
所有维度为透明估计，拖动即时重算，本地保存不离开浏览器。画像越完整，匹配越准。
学科优势
兴趣（霍兰德 RIASEC）
性格
发展取向
家庭地域
0=希望离家近 · 100=地域不限
行业意向（可多选）
你的志愿策略
完成上方第 1、2 步后，点击「开始生成我的志愿方案」。这里会给出三套策略：学校优先 / 专业优先 / 就业优先——每套标注冲、稳、保数量与整体风险水平，点开任一策略可查看完整志愿表与每一条推荐的理由。
数据来源与更新时间
官方数据：各省教育考试院一分一段表（2024 / 2025 年，用于分数↔位次换算）；各省官方投档数据（山东 / 北京 / 浙江 / 上海 / 天津 / 海南 为专业(组)级投档线，其余省份为院校级投档线）。
历史录取数据：上述院校(专业)历年投档位次，用于计算录取概率与置信区间。
模型估计：录取概率、Wilson 95% 置信区间、价值分、人校匹配度、组合优化结论——均为基于历史数据的统计估计，仅用于辅助比较。
行业趋势估计：2030 就业指数、AI 替代风险——模型估计，仅用于辅助比较，不代表未来实际结果。
更新时间：官方数据更新至 2025 年投档季 + 2024/2025 一分一段表；每年官方数据公布后滚动更新。
历史录取数据：上述院校(专业)历年投档位次，用于计算录取概率与置信区间。
模型估计：录取概率、Wilson 95% 置信区间、价值分、人校匹配度、组合优化结论——均为基于历史数据的统计估计，仅用于辅助比较。
行业趋势估计：2030 就业指数、AI 替代风险——模型估计，仅用于辅助比较，不代表未来实际结果。
更新时间：官方数据更新至 2025 年投档季 + 2024/2025 一分一段表；每年官方数据公布后滚动更新。
高级工具（需要更精细控制时使用）
以下工具面向想深入研究的家长 / 考生；普通用户使用上方三套策略即可，无需理解任何参数。
志愿组合优化器（高级工具 · 组合优化 Portfolio）
⚙ 高级设置：志愿数 N / 保底数 k / 冲上限 / 城市分散（默认系统推荐值，普通用户无需修改）
它是怎么算的？
承接上方省份/科类/位次/层次/选科，分层组合：① 安全层——按录取概率（小样本平滑估计）预留保底 k 所；② 结构层——候选池内稳档充足时纳入 ≥6 个稳档（冲/稳/保由「概率 + 当前位次相对历史中位位置」先分类，不为凑数反推）；③ 策略层——剩余志愿位按策略综合评分（录取安全性 + 学校层次/专业匹配/就业城市的策略权重）降序填充。1−Π(1−pᵢ)（至少录取一所）作为安全性指标持续计算并展示，但不再是唯一排序依据。全程约束：冲≤上限 / 高风险≤上限 / 院校≤2 / 专业≤3 / 城市分散。志愿沙盘标签页可拖动风险/层次/城市偏好实时反事实重算该组合。
🔬 算法审计（仅开发 / 调试模式 · 普通用户不可见）
志愿沙盘 · 实时反事实重算
拖动滑块 / 点层次标签，组合即时重算：看「至少录取一所」概率与冲稳保构成如何随你的偏好变化。基线 = 层次不限 · 冲≤8 · 保底 6 · 同城不限；候选池与「志愿方案」页同源（不受该页层次下拉影响）。
它是怎么算的？
滑块只改约束参数（冲上限 / 同城上限 / 保底数 / 层次过滤），候选池与概率引擎与「志愿方案」页完全同源；每次拖动重跑一遍 maximize 1−Π(1−pᵢ) 组合优化器（池≤4000，毫秒级）。「反事实」含义：不改你的分数与选科，只回答"如果偏好这样调，组合与胜率会怎么变"。
学校库 · 对比（当前省份/科类）
浏览当前省份+科类下的全部招生院校，按「与你的位次接近度」排序；点击「加入对比」可并排比较至多 4 所。院校级省份显示院校投档位次，专业级省份（山东等）显示真实专业记录。
⚖️ 对比区（最多 4 所）
融合排序 · 最优志愿表（三模块加权融合）
融合公式（可解释）
把 价值洼地(价值分)、2030 未来价值(前景+AI风险)、人×校×专×城×业匹配(四维契合) 三大模型结论，与 录取概率 在优化器候选单元(校×专业)上做加权融合，输出 单一最优志愿表：融合分 = 0.40·匹配度 + 0.30·(0.5·价值分 + 0.5·2030价值) + 0.30·录取概率；并强制保留 ≥k 所保底。权重在
fuse.py 中集中定义。价值发现引擎（同位次隐藏机会榜）
价值分怎么算？
价值分 = 0.30·就业 + 0.25·学科 + 0.20·深造 + 0.15·城市 + 0.10·口碑（院校层级/城市为真实数据，就业/学科/深造/口碑由层级+城市推理估计，预留真实数据覆盖）。冷门分 = 价值分 − 难度分(录取位次百分位)；冷门分越高 = 越被低估。已按「好校门槛(双一流及以上)」+「可达性(冲/稳区间)」双重过滤，避免普通校伪洼地。
⚠️ 2030 就业指数与 AI 替代风险为模型估计，仅用于辅助比较，不代表未来实际结果。
专业未来价值模型（2030 就业指数 + AI 替代风险）
未来价值怎么算？
基于你位次可达学校里真实开设的专业方向，按「专业类别」聚合出 2030 未来价值分。2030 就业指数 = 0.22·需求增长 + 0.18·薪资趋势 + 0.15·岗位数量 + 0.15·行业增长 + 0.10·研究生依赖；AI 替代风险 = (0.5·任务可编码性 + 0.5·自动化成熟度) ×(1 − 0.4·人际/实体豁免)。未来价值分 = 就业指数 − 0.20·AI风险 + 0.20 平移（范围 0–1），并给出乐观/基准/悲观三情景。指标为公开行业趋势的透明估计。
人 × 校 × 专 × 城 × 业 匹配模型
匹配度怎么算？
综合匹配度 = 0.35·人专(兴趣+学科+性格→专业) + 0.25·人校(考研意愿→深造率, 就业优先→就业指数) + 0.20·人城(家庭地域×离家偏好) + 0.20·人业(行业意向∩专业去向)。每类推荐一所你位次可达且画像最契合的院校，并给出录取概率/就业潜力/升学潜力/成本/风险。画像维度均为透明估计。
免责声明：本原型使用真实公开投档数据（山东/北京/浙江/上海/天津/海南 专业(组)级官方投档线 + 其余省份院校级）。
「志愿方案优化器」在 N 个志愿位内通过组合优化最大化「至少录取一所」概率，并强制保底/分散约束，与竞品「简单排序」有本质区别。录取概率为统计估计，置信区间反映历年波动，请结合当年招生计划谨慎决策。数据按 省份+科类 维度隔离，结论可溯源。