1. 考研择校为什么需要一个 Skill而不是一个 Excel考研择校这件事信息量大、口径乱、更新快最麻烦的不是「没有数据」而是「数据对不上」。同一个专业学院官网写的是 085404 计算机技术研招网可能挂在「计算机科学与技术学院」下面拟录取名单里又只写「电子信息」复试线还分「院线」和「校线」。你手动整理三年数据光是把「同口径」对齐就要花掉一个下午。我试过用纯表格做这件事结论是表格能存数据但存不下「判断逻辑」。比如某专业 2024 年复试线 3202025 年 3552026 年 340你很难直接说它是「爆热」还是「大小年」。真正需要的是把「找数据 → 校验口径 → 分级证据 → 输出冲稳保」这条链路固化成一个可复用的 Skill让 Codex 或 Claude Code 这类 AI Agent 按固定流程跑而不是每次重新问一遍。这就是「考研择校 Skill」的定位它不是算命式预测而是一个可审计的决策辅助工具。输入学校、学院、专业代码、入学年份Agent 先去公开来源找历年复试线、统考名额、推免人数、拟录取名单找不到关键字段才向你要 CSV 或截图。输出里保留来源、口径、缺失项、置信度和冲稳保建议。适合谁适合正在准备 2027 入学、手里有一堆零散 CSV 和 PDF、想用 AI Agent 把择校流程工程化的同学。下面我按「原问题 → 前置准备 → 可复制配置 → 验证请求 → 排错 → 工具入口」的顺序把整条链路拆开讲。核心交付物是config.toml、Skill 骨架和 CSV 字段映射示例你照着改就能跑。2. 原问题与场景CSV 字段乱、口径混、Agent 不会用先说清楚要解决的具体问题。假设你手里有一个kaoyan.csv长这样school,college,major,year,score,quota,recommend XX大学,计算机学院,计算机技术,2024,320,45,12 XX大学,计算机学院,计算机技术,2025,355,40,15 XX大学,计算机学院,085404,2026,340,38,18三个坑立刻暴露第一major字段 2024/2025 写的是专业名称2026 写的是专业代码Agent 直接按字符串分组会把 2026 单独拎出来第二quota是统考名额还是总名额没有字段说明第三recommend是推免人数还是推免比例同样含糊。如果不做字段映射和口径校验Agent 生成的「冲稳保」建议就是垃圾进垃圾出。所以 Skill 的第一层价值是「规范化研究对象」。它要求你把学校、学院、专业代码、专业名称、培养方式、入学年份拆成独立字段并且用references/data-schema.md里的 schema 做校验。第二层价值是「证据分级」学校研究生院官网 研招网 学院公告 第三方汇总每条数据都要记录来源等级、URL、发布日期和访问日期。第三层才是「决策模型」对爆热、缩招、推免挤压、复试线虚低、改考做分项审计最后给出冲稳保。场景很明确你有一批历年数据CSV/JSON/PDF/截图想让 Codex 或 Claude Code 按固定流程分析而不是每次重新描述需求。Skill 就是把这个流程写成SKILL.mdconfig.toml 脚本让 Agent 一次加载、反复调用。3. TaoToken 前置给 Agent 一个稳定的模型入口Skill 本身是「流程定义」真正跑分析的是背后的模型。Codex 和 Claude Code 都需要一个 API 入口来调用模型这里用 TaoToken 做统一接入。它的作用是让你在config.toml里配一个 base_url 和 api_key就能让 Agent 走模型对话或 coding plan不用在每个工具里重复填配置。你需要先拿到 API Key。打开控制台创建密钥https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan创建后复制 key形如sk-xxxxxxxx。注意两点一是 key 只显示一次建议存到本地环境变量二是不同模型对应的调用路径不同模型对话和 coding plan 是分开的入口别混用。如果你主要做长期编码和 Agent 任务比如反复跑择校分析脚本用 Coding Plan 更合适https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan接入文档在这里配置项和报错码都能查到https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyanAPI 基础地址是https://taotoken.net/api注意这个地址不加 UTM 参数直接写进配置即可。下面所有配置都基于这个 base_url。4. 可复制配置config.toml 与 Skill 骨架先建目录结构。Skill 放在 Codex 的技能目录下仓库结构参考如下kaoyan-navigator-skill/ ├── SKILL.md ├── config.toml ├── agents/openai.yaml ├── examples/sample.csv ├── references/ │ ├──>[model] provider taotoken base_url https://taotoken.net/api api_key sk-你的key model claude-sonnet timeout 120 [skill] name kaoyan-navigator version 0.1.0 schema references/data-schema.md decision_model references/decision-model.md report_template references/report-template.md [skill.defaults] target_year 2027 history_range Y-3..Y-1 evidence_levels [official, research, college, third_party] missing_policy keep_empty_no_guessSKILL.md是给 Agent 看的说明书开头写清楚触发条件和输入要求# kaoyan-navigator ## 触发条件 用户提到考研择校、复试线、统考名额、推免、拟录取、冲稳保时加载本 Skill。 ## 输入 - school: 学校名称 - college: 学院名称 - major_code: 专业代码如 085404 - major_name: 专业名称 - year: 入学年份 ## 流程 1. 规范化研究对象对齐学院、代码、培养方式 2. 按 Y-3 到 Y-1 检索历年数据 3. 记录来源等级、URL、发布日期、访问日期 4. 校验字段缺失项保留为空不猜 5. 输出证据质量、缺失项、风险、置信度、冲稳保建议CSV 字段映射是另一个关键。examples/sample.csv用统一字段名避免中英文混用school,college,major_code,major_name,year,retest_line,quota_total,quota_exam,recommend_count,source_url,source_level,access_date XX大学,计算机学院,085404,计算机技术,2024,320,57,45,12,https://example.edu/2024,official,2026-05-01 XX大学,计算机学院,085404,计算机技术,2025,355,55,40,15,https://example.edu/2025,official,2026-05-01 XX大学,计算机学院,085404,计算机技术,2026,340,56,38,18,https://example.edu/2026,official,2026-05-01字段含义对照表字段含义口径要求retest_line复试线注明院线还是校线quota_total总招生名额含推免quota_exam统考名额不含推免recommend_count推免人数与总名额同年同口径source_level来源等级official/research/college/third_partyaccess_date访问日期数据时效判断依据把仓库复制到 Codex 技能目录cp -R /path/to/kaoyan-navigator-skill ~/.codex/skills/kaoyan-navigator然后在对话里直接调用使用 $kaoyan-navigator分析 2027 年入学的 XX 大学 XX 学院 085404 计算机技术。 先找 2024-2026 年的官方数据如果拟录取名单找不到就告诉我需要补什么。5. 验证请求跑通校验脚本与 Agent 调用配置好之后先别急着让 Agent 分析先用脚本验证数据格式。validate_data.py负责检查字段完整性和口径一致性python3 scripts/validate_data.py examples/sample.csv正常输出类似[OK] 3 rows loaded [OK] required fields present: school, college, major_code, year, retest_line [WARN] row 2: quota_exam recommend_count ! quota_total (401555, total55) OK [OK] source_level values valid [OK] access_date format valid如果字段缺失脚本会明确告诉你缺哪个而不是让 Agent 猜。接着生成检索计划用于还没有数据的情况python3 scripts/research_plan.py \ --school XX大学 \ --college 计算机学院 \ --major-code 085404 \ --major-name 计算机技术 \ --year 2027输出会列出优先检索来源顺序学校研究生院、招生网、学院官网、官方 PDF、拟录取公示。Agent 按这个顺序找找不到关键字段才向你要补充材料。最后验证 Agent 调用。在 Codex 里发一条请求观察它是否按 Skill 流程走使用 $kaoyan-navigator基于 examples/sample.csv 分析 2027 入学风险。 要求输出证据质量、缺失项、置信度、冲稳保建议并标注每条数据的来源等级。成功结果应该包含四块数据摘要三年复试线和统考名额趋势、证据质量official 占比、缺失项哪些字段为空、冲稳保建议带置信度。如果 Agent 直接给结论却不标来源说明 Skill 没加载成功回到第 4 步检查SKILL.md路径。想单独验证模型入口是否通可以用模型对话页面发一条测试https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan6. 本篇常见错排查报错一config.toml读取失败提示 base_url 无效。检查是否把https://taotoken.net/api写成了带路径的地址比如/api/v1。基础地址就是https://taotoken.net/api不要加多余后缀。另外确认 api_key 没有多余空格。报错二Agent 不加载 Skill直接回答。多数是技能目录不对。Codex 默认读~/.codex/skills/确认kaoyan-navigator目录下有SKILL.md且文件名大小写一致。Claude Code 的技能目录不同需要放到它对应的 skills 路径下。报错三CSV 校验通过但分析结果口径混乱。检查major_code和major_name是否每年都填。如果某年只填了名称没填代码Agent 会按名称分组导致年份断裂。统一用代码做主键名称做展示。报错四quota_exam recommend_count对不上quota_total。这是口径问题不是脚本 bug。有些学校总名额不含推免有些含。在data-schema.md里注明你的口径脚本会按你定义的口径校验。报错五Agent 找不到拟录取名单就编数据。这是最危险的。在SKILL.md里明确写missing_policy keep_empty_no_guess并在提示词里强调「找不到就留空并告知需要补什么」。如果 Agent 仍然编造检查decision-model.md是否被正确引用。报错六调用超时。config.toml里timeout 120可以调大但更可能是检索步骤太多。把history_range从Y-3..Y-1缩到Y-2..Y-1先跑通再逐步加年份。7. 语义一致 CTA按你的下一步选入口如果你现在卡在接入或排错先去创建 API Key 并对照接入文档检查配置https://taotoken.net/console/api-keys?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan如果你只是想先验证模型能不能按 Skill 流程输出用模型对话发一条测试请求最快https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan如果你打算长期跑择校分析、反复调用脚本和 Agent用 Coding Plan 更省心https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_contentskill_codex_kaoyan最后提醒一句Skill 的价值不在「一次分析」而在「可复用」。把config.toml、SKILL.md、data-schema.md三个文件维护好明年换一批数据改 CSV 就能重跑不用重新教 Agent 一遍流程。
