gaokao-volunteer-system/data/crowd_db

大厂AI推荐数据库 (Crowd Detection Database)

用途

存储大厂AI（千问/元宝/百度/豆包）的高频推荐院校， 用于反扎堆检测功能。

数据格式

按省份组织，每个JSON文件包含该省的推荐数据 + 溯源元数据（T3.1 schema）：

{
  "province": "湖南",
  "last_updated": "2026-06-12",
  "data_year": 2025,
  "source": "千问/元宝/百度/豆包 公开推荐汇总（手动整理）",
  "source_url": "https://github.com/phamnazage-jpg/gaokao-volunteer-system/blob/main/data/crowd_db/hunan.json",
  "source_type": "manual_summary",
  "confidence": 0.85,
  "score_ranges": [
    {
      "range": [560, 580],
      "note": "一本中段",
      "recommendations": [
        {
          "name": "长沙理工大学",
          "major": "会计学",
          "frequency": 4,
          "platforms": ["千问", "元宝", "百度", "豆包"],
          "predicted_increase": 18,
          "alternatives": [
            { "name": "湖南工商大学", "major": "会计学", "score": 95 },
            { "name": "湖北经济学院", "major": "财务管理", "score": 92 }
          ]
        }
      ]
    }
  ]
}

字段说明

顶层溯源字段（T3.1）

字段	类型	必填	说明
province	str	✅	省份中文名
last_updated	str (ISO)	✅	文件最后更新日期 YYYY-MM-DD
data_year	int	✅	数据参考年份（如 2025 代表基于 2025 高考数据）
source	str	✅	数据来源描述（人类可读）
source_url	str	⚠️	数据源 URL；无则填空串
source_type	str enum	✅	manual_summary / official_release / platform_scrape / derived
confidence	float	✅	数据可信度 [0.0, 1.0]；< 0.5 视为骨架，loader 打印 UserWarning
score_ranges	list	✅	分数段列表；骨架文件允许 []

分数段与推荐

字段	说明
range	分数区间 [min, max]
note	段名/批次说明
recommendations	推荐条目列表
frequency	4个大厂AI中有几个推荐（0-4）
platforms	具体推荐了哪些AI
predicted_increase	预测2026年分数线上涨分
alternatives	替代院校推荐

完整 schema 见 SCHEMA.md。

当前覆盖边界（2026-06-23 真相）

当前 crowd_db 的代码与文件口径是 27 省（23 省 + 4 直辖市）：

• 23省：hebei / shanxi / liaoning / jilin / heilongjiang / jiangsu / zhejiang / anhui / fujian / jiangxi / shandong / henan / hubei / hunan / guangdong / hainan / sichuan / guizhou / yunnan / shaanxi / gansu / qinghai / xinjiang
• 4直辖市：beijing / shanghai / tianjin / chongqing

当前不含 4 个尚未接入 crowd_db loader 的自治区：内蒙古 / 广西 / 西藏 / 宁夏，也不含港澳台。

因此：

• 当前可以说：27 省 crowd_db 已建基础骨架
• 当前不能说：全国 31 省高信任数据已完成

如需进入真正“全国”口径，必须同步补：

1. 新增 4 个省级 JSON
2. 更新 data/crowd_db/loader.py 的 PROVINCE_FILE_MAP
3. 更新 README / SCHEMA / provenance / loader tests

数据来源

• 手动整理大厂AI公开推荐
• 高考季后期的实际数据
• 不爬虫、不抓取（合规考虑）
• 高信任白名单（当前 controller 允许进入 high 的省份）: 湖南 / 广东 / 江苏 / 山东
• 其余 3 个已可用省份（河北 / 浙江 / 福建）当前仍为 usable
• 20 个省仍为 skeleton

质量分层口径（2026-06-23 起）

skeleton

• confidence < 0.5
• 只可用于占位、来源展示、提示“待补完”

usable

• confidence >= 0.65
• 至少 6 个 score_ranges
• 至少 24 条 recommendations
• 至少 24 条 alternatives
• 至少 1 个省级官方来源入口完成年度复核

high

• confidence >= 0.80
• 至少 8 个 score_ranges
• 至少 40 条 recommendations
• 至少 60 条 alternatives
• 必须覆盖高/中/低至少三层分数带
• 必须完成省级官方来源复核 + 交叉复核

更新频率

每周更新一次，高考季（6-7月）每周两次

Loader 接口（T3.1）

from data.crowd_db.loader import CrowdDBLoader

loader = CrowdDBLoader()

# 1) 取推荐
recs = loader.find_recommendations("湖南", score=575)

# 2) 仅取溯源元数据
meta = loader.load_metadata("湖南")
# → {province, last_updated, data_year, source, source_url, source_type, confidence, record_count}

# 3) 列出全部支持的省份（27 个）
all_p = loader.list_supported_provinces()

# 4) 列出实际存在的省份元数据
existing = loader.list_provinces()

完整数据生成脚本（含 27 省份 schema 校验）位于： /home/long/.hermes/kanban/workspaces/t_71bdee07/gen_provinces.py

详见 docs/plans/T1-1-crowd-db-setup.md