学历积分计算器 v3.8高频 registry + AI fallback

这工具是什么

一个把任意"学位组合"映射到单一标量的玩具。分数不客观——它取决于你问谁,所以 v3 引入了 4 个 framing,让用户能看到同一组学历在不同语境下的相对位置。任何想把人压成一个数字的尝试都有损失,这工具的目标是让损失可见。

4 个 framing 是什么(v3.1 已扩展到 9 个)

v3.1 把 framing 从 4 个扩到 9 个,分两组:

v3.8 改了什么(高频项目 registry + AI fallback)

• 解决 sub-program 区分死结:ERNIE 在同校 sub-program 难度细分(CMU MSCF vs MSBA vs MITS,Columbia MFE vs MSAA)上经常 anchor 到学校 brand 给同档,导致水硕跟顶级 quant 同分。v3.8 引入 hardcoded registry 解决
• 280 个高频 program 直接 hardcoded:
  • 美国 (74):CMU SCS/Tepper/Heinz 全套 + Columbia / NYU / USC / NEU / Stanford / MIT / Princeton / Berkeley / UCLA / GaTech / UMich / UIUC / UW / Cornell / Penn / JHU / Duke / UChicago + 美本 honors(UCSB CCS / Berkeley Regents / Penn M&T / Huntsman / Williams / Amherst / Swarthmore / HMC)
  • 英国 (16):Oxford / Cambridge / Imperial / LSE / UCL / Edinburgh / Manchester / Warwick 内部 niche
  • 港新 (9):NUS USP / DSML / MComp,HKU LLB / MF,HKUST MSBD / TEMG,CUHK QFin,NTU
  • 欧陆 (6):ETH / EPFL / TUM / Bocconi / HEC / Polytechnique
  • 加拿大 (3):UofT MScAC / Waterloo CS / McGill
  • 日韩 (3):UTokyo / KAIST / SNU
  • 国内 (6):清华 / 北大 / 复旦 / 上交 / 浙大 / 中科大
• 三层 lookup 架构:
  1. Cache lookup(v3.7 留下,localStorage 历史评级)→ hit 即返回
  2. Registry lookup(v3.8 新增)→ 高频 program 直接命中 hardcoded data
  3. ERNIE 评级 fallback → long tail 走联网评级
• Disambiguation UI:输入模糊(如 "CMU 商科" 对应 MSCF / MSBA / MISM-BIDA 多个)→ 弹出选择面板让用户挑
• 每个 entry 9-framing tier 精确标定:不再依赖 ERNIE,直接 deterministic 输出
• "↻ 改用 ERNIE 联网评级" 按钮:registry hit 后用户可选择强制走 ERNIE(对比 / verify 用)
• 每个 entry 包含 metadata:录取率 prose / reasoning / sources / notes / curator / confidence
• 已知 limitation:
  • 280 个 cover ~85% 中国留学讨论圈高频流量,long tail 仍靠 ERNIE(quality 不稳定)
  • 录取率 / ranking 每年更新,需要人工维护 registry(目前 90 天 cache TTL 不影响 registry,但 registry 数据本身有时效)
  • Registry data 全部 manual curate,可能有标定错误 — 用户可通过 "改用 ERNIE 评级" cross-validate

v3.7 改了什么(prompt invariance + cache)

• 修复 prompt fragility(deal-breaker fix):v3.5-3.6 时,「UCSB CCS Physics」和「UCSB Physics CCS」给完全不同的评级(deviation 区间差 20 分)。词序、加减一个无关紧要的字眼都能改变 ERNIE 输出。用户看不到自己输入的 wording 是不是「标准答案」,工具变成「猜 prompt 游戏」。v3.7 解决
• 两层架构:entity extraction + canonical key + cache:
  1. Step 1 — Entity extraction:用户输入 → ERNIE 单独 extract 标准化字段 {school, sub_program, major, country}。例如 "UCSB CCS Physics" / "UCSB Physics CCS" / "加州圣芭芭拉 CCS 物理" / "ucsb ccs phys" 全部 extract 为 {school: "UC Santa Barbara", sub_program: "CCS", major: "Physics", country: "US"}。Extraction 用低 temperature(0.1)+ 短 prompt,deterministic 程度高于完整评级
  2. Step 2 — Canonical key:基于 extraction 输出生成 deterministic 字符串,如 "uc santa barbara|ccs|major:physics|region:us|stage:ba"。Sub-program / major 排序后拼接,保证同含义不同 wording 产生同 key
  3. Step 3 — Cache lookup:localStorage 存历史评级。Cache hit → 直接展示历史结果,显示「📂 已缓存评级(YYYY-MM-DD)」+ 自动归一提示;Cache miss → ERNIE 完整评级 → 写入 cache
  4. Step 4 — 用 canonical query 调 ERNIE:即使 cache miss,也用 extraction 后的标准化项目名(如 "UC Santa Barbara CCS Physics")替代用户原文调用 ERNIE,降低 wording variance
• 「强制重新评级」按钮:cache hit 时显示,允许用户绕过缓存(ranking 更新 / 想重新 sample 时用)
• Cache 容量管理:最多 50 条 entry,90 天过期。localStorage quota 满时自动清理最旧的
• Extraction 失败 fallback:ERNIE extraction 失败时,fallback 用 raw input 做 key(degrade 到 v3.6 行为)
• 预期效果:同一个 program 不管怎么打字(中英文混写、词序、大小写、缩写),首次评级后**永远返回同一个分数**。跨用户 ground truth 一致性留到 v4(后端 DB)
• Trade-off:每次新 query 多花 5-10 秒做 entity extraction;但缓存命中后**评级瞬间返回**(0 秒,0 cost),长期省钱省时
• 已知 limitation:cache 是 per-browser per-device 的,清缓存 / 换设备 / 隐身模式都会丢失。Production 版本(v4)会迁移到后端 DB + 用户系统

v3.6 改了什么(核心 fix)

• 修复 framing 不自洽问题(用户痛点):v3.5 之前,无论顶部选哪个 framing,工具实际应用的都是「中国留学市场 tier × region 系数」。这对 niche honors program(如 UCSB CCS、Berkeley Regents)严重失真 — UCSB CCS 录取率 4-5% 却跟 UCSB 主校区(~30%)同档,切到「国际学术」framing 也只是乘 0.95 系数,无法表达 CCS 的真实位置。v3.6 解决
• AI 评级输出 multi-framing tier dict:之前 AI 只输出 single tier + deviation_note prose,现在直接输出 9 个 framing 下的精确 tier 数值。如 UCSB CCS Physics → cn_overseas: 44 / intl_academic: 65 / us_local: 68 / ... 等
• 计算函数 framing-aware:`frameAdjust` 函数升级 — 如果该学位有 AI 评级的 tier_by_framing dict,直接用对应 framing 的真实值;否则 fallback 到旧逻辑(brand × region 系数)。向后兼容,手动选 tier 的学位逻辑不变
• UI:multi-framing 9 格 mini grid:替换 v3.5 的 dual-framing banner。AI 评级后显示完整 9 个 framing 的分数,当前 framing 高亮,最高 / 最低分用绿 / 红 hint。切换顶部 framing tab 时,工具自动应用对应 framing 的分数
• Apply button:文字改成"应用 X 分(切换 framing 时分数会相应变化)",让用户明确知道工具行为
• 预期效果:UCSB CCS Physics 在「中国留学」framing 下贡献 44 分,切到「国际学术」时**总分实时增加**到该 framing 下的真实贡献(如 65 分)。framework 完全自洽
• Trade-off:AI 调用复杂度增加(从 1 个分数 → 9 个),token 消耗 +30-50%,但 ERNIE-5.1 价格便宜,单次评级仍在 ¥0.05-0.20 区间

v3.5 改了什么

• 切换到 ERNIE-5.1(百度文心):Anthropic API 账户因为 cross-border fingerprint(中国 IP + 美国卡 + VPN + 新账户)被反欺诈系统 suspend。ERNIE-5.1 是百度 2026.5.8 发布的旗舰,Search Arena 排名全球 #4 / 中国模型 #1(1226 分),search-grounded 能力实测接近 Claude Opus 4.6-search
• UI:deviation_note 升级 dual-framing banner:之前 deviation_note 是 reasoning 之后的小紫框,用户视觉权重低,容易只 anchor 到主分数。v3.5 紧贴主分数行显示「中国留学市场视角 X ↔ 国际/本地视角 Y-Z」双数字 banner,让 framing tension 一眼可见。例如 UCSB CCS Physics → 主分 44(UCSB brand)↔ 国际学术 57-72(LAC honors 同档)。用户可以同时看到两个视角的分数,避免单视角 anchor 带来的心理偏差(CCS 学生 4-5% 录取率却跟 UCSB ~30% 录取率主校区同档,看到 44 会不爽 — dual-framing 化解这个 tension)
• Prompt 改动:要求 AI 在 deviation_note 里显式输出真实位置对应的分数区间(如「57-72」),而不只是 prose,方便 UI 端 parse 高亮显示
• 为什么选 ERNIE:Search Arena 实测排名比 Gemini 3.1 Pro grounding 还高,百度搜索 20 年老本行赋能。中国用户 native 注册零 fingerprint 风险,支持百度智能云千帆 / AI Studio 两个 API 渠道
• 技术变化:API endpoint 从 api.anthropic.com → aistudio.baidu.com/llm/lmapi/v3(OpenAI 兼容)。request body 从 Anthropic 格式 → OpenAI 格式。web_search 从 tools 字段 → extra_body 字段。Cloudflare Worker 同步改了 endpoint + auth header
• 预期 quality 差异:ERNIE-5.1 在 search 能力上 verified strong,但学术评级 bias 未知 — 训练 data 偏中文圈,可能对国际 niche brand(LAC honors / 港新 PhD)略弱。建议用已知 ground truth 的几个 case 测试 bias 程度
• 过渡性方案:2026.07 抵达新加坡后,clean slate 重新注册 Anthropic API(NUS 学校邮箱 + 新加坡本地银行卡 + 新加坡 IP + 不用 VPN),那时可能切回 Opus。v3.5 是 4 个月过渡期版本

v3.4 改了什么

• 模型升级到 Claude Opus 4.7 + thinking mode:之前 Sonnet 4.5,现在用 Anthropic 最强的 Opus 4.7 加 extended thinking(5000 token budget)。评级更准、framing 识别更精确,代价是单次评级 40-90 秒、单次成本约 ¥3-6
• 高中阶段也支持 AI 联网搜索:5 个 stage 全部覆盖(BA / MS / MPhil / PhD / HS)。国内国际部、海外高中、各种民办 AP 学校通过 AI 评级
• API_PROXY_URL 已配置:走 Cloudflare Worker proxy(https://claude-proxy.kuntongli705.workers.dev),Kuntong 自部署版本
• max_tokens 8000:因为 thinking 会先消耗 budget_tokens(5000),max_tokens 必须显著大于 thinking budget 才能留出空间给真正的输出

v3.3 改了什么(公开部署支持)

• 问题:v3.2 的 AI 搜索功能依赖 api.anthropic.com,只在 claude.ai artifact 环境里能用。普通访客打开下载到本地的 .html 时,fetch 会因 CORS + 缺 API key 失败
• 方案:加 API_PROXY_URL 配置项(JS 顶部一行)。部署者把自己的 Cloudflare Worker URL 填进去,之后任何人在任何浏览器打开都能用 AI 搜索
• 部署:参考一并附送的 cloudflare-worker.js 和 DEPLOYMENT.md。Cloudflare Worker 免费(每天 10 万次请求免费配额),5 分钟部署完成
• API key 安全:key 存在 Cloudflare 的 Secret 里,不暴露给浏览器

v3.2.1 修复(AI 评级 framing bug)

• 问题:v3.2 的 AI 评级会把 IC 给到 T1 上(88)—— AI 用的是国际学术 / 英国本地视角,但工具的 tier 表是中国留学市场视角。AI 自创了不在 tier 表里的分数
• 修 1: prompt 加强 framing 说明:明确告诉 AI「工具是中国留学市场视角,不要试图用 QS 排名纠正」,并给出具体例子(IC 在中国留学市场里低于 LSE/UCL,NUS 被低估等)
• 修 2: tier_score 强制 snap:JS 端验证 AI 返回的分数是否在 tier 表合法值集合里;不在的话自动 snap 到最近的合法值,并显示 ⚠️ 提示「AI 原本给了 X 分,系统已 snap 到 Y」
• 修 3: 加 deviation_note 字段:AI 可以承认「按真实国际地位,这个项目应该高 / 低于本表」,但 tier_score 仍按表内值返回。这个 note 在 UI 上单独显示(紫色边框),提醒用户切换 framing 看完整情况

v3.2 加了什么

• AI 联网评级:本科 / 授课硕 / MPhil / PhD 四个阶段都加了 AI 搜索入口。找不到具体项目时,输入项目名 → 调用 Claude Sonnet 4 + web_search → 自动给出推荐 tier、理由、来源 URL、置信度
• 使用前提:此功能依赖 api.anthropic.com 的调用。仅在 claude.ai artifact 环境内可用(API key 自动注入)。本地双击打开 .html 文件时会因 CORS / 缺少 API key 而失败 — 错误信息会明确提示
• AI 评级标识:应用 AI 评级后,select 下拉里会出现「🤖 项目名 (AI 评级: X)」选项,与人工 tier 选项区分
• 置信度提示:AI 返回 high/medium/low,low 时建议人工 review

v3.1.1 修复

• 路径分析 bug:之前用「贡献分」比较本科和博士(本科 0.30×88=26.4 vs 博士 88),导致即使两档相同也会显示「博士显著高于本科」。现在改用 raw tier 比较
• 分数区间描述:补全 ≥115「学神级」和 ≥100 区间的独立描述,不再让 100-115 的人看到「同代 1.5 万人」错位提示
• 感谢用肖磊(北大数学本 + 沃顿 MBA + 宾大博士,127.6 分)case 暴露了这两个 bug

v3.1 相比 v3 改了什么

• 修正 v3 的 framing bias:v3 只给了港新本地视角,没给其他海外目的地——这是把港新当成「中国语境的延伸」的潜意识 bias。v3.1 加全 5 个目的地本地视角(美 / 英 / 欧陆 / 加澳 / 日韩),让所有主要海外目的地都有同等待遇
• 9 个 framing 的比较视图:结果页同时展示 3 个主要评价者 + 6 个目的地本地视角,看完整 spread
• UI 重排:framing tabs 分两组,3+6 布局

v3 相比 v2 改了什么

• Framing 切换系统:用 region × stage 加权矩阵实现,不重写 tier 表
• 对比 chart:结果页直接 visualize 同一组学历在多个 framing 下的分数
• 分项 stacked bar:可视化本科 / 硕士 / 博士 / 加成各贡献多少
• UI 升级:衬线标题字体(Spectral + Noto Serif SC)、JetBrains Mono 数字、stepper 进度
• 方法论透明化:本 section 即是

v2 相比 v1 改了什么

• M2 改乘法:博士产出加成从「挪 sub-tier 索引」改为乘法系数 ×0.70/0.85/1.00/1.15/1.30,修掉了「顶刊一作给顶校加 20 分、给水博加 0.4 分」的 bug
• 美本加 LAC 档:Williams/Amherst/Swarthmore 进 T1 上,Pomona/Wellesley/Bowdoin 进 T1 中,等等
• 欧陆从 7 档扩到 9 档:加 Polytechnique、Bocconi、HEC、KU Leuven、UvA、Karolinska 等
• MBA 顶级降档:HBS/GSB/Wharton MBA 从 T0(100)降到 T1 上(88),T0 留给 Stanford MSCS / MIT EECS 这类学术或专业硕巅峰

已知偏见 / 局限

• 百分位基础是中国同代人口:不是全球。"前 0.5%" 在德国或印度语境下没意义
• tier 内部粒度不均:中国本土 20 档 / 美国 19 档 / 港新 4 档 / 欧陆 9 档,反映的是中国留学市场关注度地图,不是真实院校分布密度
• 学科差异未编码:Berkeley CS 和 Berkeley History 在工具里都是 T2 上 (64),但实际市场价值差 N 倍
• 本硕博系数是设计选择:直博 0.5 × ba,本硕博 0.30 × ba,本硕 0.40 × ba —— 这些都是主观选择,不是从数据拟合出来的
• 国际高中按 brand 而非出口分级是 v1/v2 时期的偏见:同 label 的"民办私立 AP 学校"出口差异极大。v3.4 已通过 AI 联网搜索 mitigation — 用户可以输入具体学校名,AI 会按真实出口数据评估
• 商科 MBA 与学术硕仍在同一根数轴:即使 v2 降了 MBA 顶档,两类项目的产出本质不同,放在一起比就是有损失
• Framing 权重是 v3 作者凭经验给的:不是从就业数据或学术指标拟合的。直接采纳之前请自己判断合理性

Framing 权重矩阵(9 个 framing)

每个 framing 对 (stage × region) 给一个乘子。stage 之间(ba / ms / phd / mphil)独立加权。

计算路径系数

非 PhD 终态:

• 本科终:1.0 × ba + 0.10 × hs
• 本硕(MA/MS 终):0.40 × ba + 1.0 × ms
• 本 + MPhil(终):0.40 × ba + 1.0 × mphil
• 本 + 授课硕 + MPhil(终):0.30 × ba + 0.15 × ms + 1.0 × mphil

PhD 终态:

• 直博:0.5 × ba + 1.0 × phd × m2
• 本硕博:0.30 × ba + 0.15 × ms + 1.0 × phd × m2
• 本 + MPhil + 博:0.30 × ba + 0.10 × mphil + 1.0 × phd × m2
• 本 + 授课硕 + MPhil + 博:0.25 × ba + 0.10 × ms + 0.10 × mphil + 1.0 × phd × m2

所有 region-dependent 分数(本科和授课硕)在路径系数之前先乘 framing 权重。PhD 和 MPhil 也乘 framing 中的统一系数。