by 运行时依赖
安装命令
点击复制技能文档
Advisor Finder 找到目标大学或部门的候选导师，验证他们的实际研究方向，并排名联系价值。核心目标是将模糊的请求（如“帮助我找到浙江大学软件学院从事LLM的教授”）转化为有证据的短名单。 该技能必须不仅仅是列出姓名，还必须： 找到教师，验证研究方向，检查最近的论文和公开资料，判断与用户背景或目标的匹配度，输出排名短名单并给出理由。 输入要提取的信息： 识别用户已经提供的以下信息： 大学名称 学校/部门/研究所名称 目标研究方向 学位目标：硕士/博士/RA/访问/广泛探索 用户背景关键词 地区偏好 教师资历过滤：教授/教授+副教授/所有教师 论文时间窗口：2/3/5年 期望的短名单大小 如果关键输入缺失，做出最小的合理假设并继续。只有当模糊性会显著改变结果时，才提出后续问题。 证据等级： 优先考虑以下证据顺序： 官方大学/部门/实验室页面 教师个人主页 结构化研究目录或具有强大CS覆盖的数据集（如CSrankings） Google Scholar / Semantic Scholar / DBLP / OpenReview / 官方出版页面 实验室成员页面，项目页面，最近的演讲页面 第三方页面仅作为备份 阅读references/github-datasets.md，当官方学校网站较弱且目标领域是计算机科学或附近区域时。 不要将一篇旧论文视为当前研究方向的证明。寻找最近的重复证据。 工作流程： 步骤1：锁定官方目标页面 找到官方大学页面，然后找到官方学校/部门/教师目录页面。记录： 官方学校名称 官方教师目录URL 页面是否完整或明显不完整 如果学校是顶级大学或网站杂乱，先阅读references/top-university-sites.md以找到可能的官方入口点。 如果目标是主要的中国大学且用户正在寻找经济学/管理学、计算机科学、软件或数据科学相关学校，也阅读references/china-top-university-hints.md以了解常见的官方入口模式。 如果官方目录较差，使用官方实验室页面和教师个人页面进行补充。 如果网站阻止爬取或关键字段隐藏，按照references/site-failure-playbook.md进行，而不是猜测。 步骤2：构建教师池 收集至少具有以下信息的候选教师成员： 名称 职称 主页URL（如果可用） 电子邮件（如果公开列出） 研究关键词（如果官方页面可用） 在继续之前，分配一个池完整性标签： 高：官方教师池看起来大部分完整 中：官方池存在但明显不完整 低：官方池是碎片化的，必须从实验室+主页+外部结构化数据集中重建 如果目标领域是计算机科学、AI、CV、NLP、系统、ML、HCI、安全或机器人，并且官方教师池较弱，咨询references/github-datasets.md以进行CSrankings风格的恢复。 排除明显的非目标角色，除非用户广泛请求： 行政人员 纯粹的教学人员（无研究角色） 博士后/学生（除非特别请求） 步骤3：第一次方向过滤 使用官方个人资料文本、主页文本和实验室描述进行粗略过滤。 示例： 对于LLM：大型语言模型、LLM、基础模型、NLP、代理、多模态、推理 对于CV：计算机视觉、视觉语言、图像理解、3D视觉 对于系统：分布式系统、数据库、系统、ML、网络 保留边界候选人以进行验证，而不是过早地丢弃它们。 步骤4：验证最近研究线 对于每个短名单候选人，检查最近的论文和个人资料证据。 最少检查： 最近2到5年内的论文主题 目标方向是否反复出现 该人最近是否活跃 该人是否看起来是工作的中心人物还是仅仅是偶尔的邻居 使用paper-search或scholar-style技能（如果可用）。 仅在特定论文值得深入阅读时使用paper-parse。 步骤5：构建导师个人资料 对于每个候选人，编写一个紧凑的个人资料，涵盖： 主要研究线 目标方向相关性 最近活动水平 风格趋势：理论/方法/工程/应用 可能的联系价值 不确定性水平 使用references/scoring-template.md作为软模板。 不要伪造精度，但要使排名逻辑显式。 步骤6：与用户匹配 如果用户提供了背景信息，比较： 技能重叠 主题重叠 方法论重叠 可能的入口障碍 用户是否可以合理地写一封可信的外联电子邮件 如果用户没有提供背景信息，