professor-fit-analyzer

教授匹配度分析器

基于证据为一位教授整理档案，并将其转化为申请、学业指导或合作策略。

此技能不受平台、学科或教育阶段限制，适用于博士申请者、寻找论文导师的硕士生，以及寻找毕业设计、论文或独立研究指导教师的本科生，涵盖所有学术领域。使用当前 Agent 可用的浏览、搜索和文件读取工具。优先使用公开的学术来源。如果无法浏览，请向用户索取链接、PDF 或发表论文列表，并在信息不完整的情况下继续分析，不要猜测。

输入规范

必需输入

• 教授姓名。
• 至少提供以下其中一项：Google Scholar 网址、个人网站网址、实验室网站网址。

可选但建议提供的输入

• 用户的教育背景（当前学位、领域、院校）。
• 用户的研究经历（过往项目、发表论文、技术技能）。
• 申请类型：博士生、硕士生（论文方向或课程方向）、本科研究人员（毕业设计／论文／独立研究／專題）、RA、博士后、访问学者或研究合作者。
• 用户的优势和独特能力。
• 国籍、语言能力，以及是否需要奖学金或签证担保。
• 目标时间安排（例如，申请 2027 年秋季入学的博士项目、今年夏季实习、立即联系）。

输入处理规则

• 如果用户只提供教授姓名，没有提供网址，请先索取至少一个网址或论文来源，再开始分析。
• 如果缺少用户背景信息，请按申请者类型和教育阶段提供有条件的建议，不要泛泛赞美。
• 如果缺少目标时间安排，按一般探索处理，并跳过依赖紧迫时间安排的建议。
• 如果缺少申请类型，请询问用户的教育阶段（博士／硕士／本科／其他）。不同阶段的分析深度和建议方式差异很大。
• 如果用户提供了简历或发表论文列表，请用其加强匹配度分析。

语言政策

默认输出语言为繁体中文。

以下内容保留英文：

• 论文标题，
• 会议和期刊名称（例如 NeurIPS、ACL、Nature、The Lancet、American Economic Review），
• 方法和模型名称（例如 Transformer、CRISPR、difference-in-differences），
• 没有广泛认可的中文译法的技术术语，
• 专有名词（人名、机构名称）。

如果用户使用英文，请将所有输出切换为英文。 如果用户明确要求使用其他语言，请遵照要求。

操作原则

1. 将事实、推断和猜测分开。
2. 相较于个别轶事，更重视反复出现的信号。
3. 不要将引用次数、h-index 或论文发表总数等同于质量。
4. 不要将高产出等同于良好的指导能力或过度工作。
5. 不要将写作清晰等同于教学质量有保证。
6. 谨慎解读作者署名。明确说明不确定性。不同领域的署名规范各不相同（见下文的领域概况）。
7. 将申请者的目标、风险承受能力、教育阶段和背景作为最终建议的核心。
8. 根据申请者的教育阶段调整分析深度和建议（见下文的申请者阶段校准）。
9. 绝不要声称读过无法访问的论文。

工作流概述

按以下顺序进行：

0. 判断学术领域并确立该领域特定的惯例。
1. 建立来源覆盖范围。
2. 构建发表时间线。
3. 将论文归入研究分类体系。
4. 阅读论文并提取结构化证据。
5. 综合评估教授层面的情况。
6. 推断未来方向和可能的切入点。
7. 生成申请者匹配度分析，并匹配教授与学生类型。 7B. 检查警示信号。
8. 起草有针对性的联系邮件。
9. 制定交流和面试指南。
10. 最后给出可执行的后续步骤。

如果教授的论文数量非常庞大，不要在不说明的情况下缩减样本。请遵循以下覆盖政策。

申请者层级校准

分析深度、匹配度分析、联系策略和建议的表述方式，应根据申请者的层级和领域进行调整。

博士申请者

• 适合进行全面深入的分析。
• 评估长期研究方向的匹配度（3-5 年以上）。
• 重点关注指导质量、学生发展成果、发表机会，以及导师与学生的合作方式。
• 联系时应体现研究成熟度，并提出具体贡献。
• 应充分审视有关学生发展的警示信号和实验室文化的风险。
• 人文与社会科学：博士学位通常需要 5-7 年以上。导师匹配度取决于思想契合、理论方向一致，以及导师在写作和论证方面提供的指导，而不只是“研究产出”。博士期间的发表要求差异很大。
• 生物医学科学：许多项目的博士培养包含大量实验室轮转和台上实验。评估教授是否具备湿实验室或临床资源，以及学生是否能在重要项目中发表第一作者论文（而不只是大型团队论文中的中间作者）。

硕士生（论文型）

• 重点关注教授是否有指导硕士论文的经验。
• 评估 1-2 年内的匹配度，而非长期发展轨迹。
• 重点关注：课题契合度、导师响应速度、毕业时间安排，以及教授当前项目是否有适合硕士生参与的切入点。
• 联系方式可以更直接——表达兴趣、展示准备情况，并表明学习意愿。
• 了解教授是否指导过硕士生，以及他们的研究内容。
• 人文与社会科学：硕士论文可能涉及档案研究、文本分析、民族志田野调查或哲学论证。了解教授是否指导过这些方法的论文，以及课题范围是否能在 1-2 年内完成。
• 生物医学科学：硕士论文可能涉及界定明确的实验项目、临床数据分析，或基于文献的系统综述。寻找范围明确、无需多年收集数据的实验问题。

硕士生（授课型，寻求项目）

• 分析可更为简要。
• 重点关注教授是否有短期项目或范围明确的问题。
• 重点关注：学生能多快开始产出，以及项目范围是否适合一个或两个学期。

本科研究者（毕业设计／论文／独立研究／专题）

• 接触程度最低的变体，但仍以证据为依据。
• 重点关注教授是否以招收本科生而闻名、研究是否有容易入门的切入点，以及教授是否有指导这一阶段学生的记录。
• 查找：过往出版物中的本科生合著者、实验室／个人页面中提及指导本科生的内容、范围明确的子问题。
• 联系时应谦逊但具体——展现对研究领域的了解和热情，并提出学生具备的一项具体技能或背景。
• 匹配度分析应涵盖：学习机会、技能培养，以及这段经历能否增强研究生院申请竞争力或职业准备。
• 警示信号包括：教授过于忙碌而无法指导本科生、研究需要学生不具备的先修知识，或没有本科生参与的记录。
• 人文与社会科学：本科研究可能涉及文献综述、档案工作、访谈转录与分析、翻译或编辑协助。学生可能具备语言技能、细读能力、文化知识，或对特定历史时期或地区的熟悉程度。
• 生物医学科学：本科研究通常从协助正在进行的实验、学习实验流程、数据录入或文献检索开始。学生可能具备实验课程经验、基础统计学知识、用于数据分析的编程能力，或志愿服务／临床跟诊经验。

RA／博士后／访问学者／合作者

• 进行与博士阶段类似的全面分析。
• 根据具体角色调整匹配度分析。

步骤 0：识别学术领域并建立领域概况

继续之前，根据教授所在院系、发表成果的渠道和研究关键词，确定教授的主要学术领域。然后建立一个领域概况，用于指导后续步骤的解读。

领域概况维度

确定教授所在领域的以下各项。如有不确定之处，应说明不确定性，并采用最保守的解读。

出版文化：

• 会议驱动型（CS、ML、HCI）：主要成果为经过同行评审的会议论文。周期较快（6–12 个月）。会议录用情况是衡量声望的标志。
• 期刊驱动型（生物学、医学、物理学、化学、经济学、大多数社会科学）：主要成果为期刊文章。周期为 1–3 年，包含评审时间。影响因子和期刊档次很重要。
• 专著驱动型（人文学科、法律、部分社会科学）：书籍和书籍章节是重要成果。一本专著可能代表数年的工作。
• 混合型：一些领域（如信息科学、教育学、HCI）将会议和期刊都作为主要发表渠道。

作者署名惯例：

• 首位与末位作者制（CS、生物学、生物医学）：首位作者承担了大部分工作，末位作者是 PI。中间作者有所贡献，但并非负责人。
• 按字母顺序署名（数学、理论经济学、理论物理学）：作者顺序不代表贡献。应根据致谢或领域知识推断贡献。
• 常见独著（人文学科、哲学、数学）：独著属于常见且有声望的做法。合著论文较少并非警示信号。
• 大型团队署名（高能物理学、基因组学、临床试验）：论文作者可能多达数十人乃至数百人。仅凭作者名单很难评估个人贡献。

典型实验室结构：

• 大型研究团队（实验科学、ML 实验室）：包括博士生、博士后、技术人员、RA 等在内的 10–30 多名成员。
• 小型研究团队（理论领域、人文学科、部分社会科学）：1–5 名学生。指导密切。成果产出量较低很正常。
• 无实验室（人文学科独立学者、纯数学学者）：教授可能独立工作，或与 1–2 名学生合作。以“实验室规模”来评判并不恰当。 产出量标准：
• 高产出量（ML、生物医学）：高产出团队每年发表 10–40+ 篇论文属于正常水平。
• 中等产出量（大多数实验科学、社会科学）：每年发表 3–10 篇论文。
• 低产出量（人文学科、纯数学、理论物理）：每年发表 1–3 篇论文。“产出速度慢”可能意味着研究深入，而非能力不足。

资源需求强度：

• 计算资源密集型（ML、计算科学）：GPU 集群、云计算。
• 设备密集型（实验物理、化学、生物学）：专业仪器、洁净室、湿实验室。
• 数据密集型（基因组学、流行病学、经济学）：大型数据集、临床队列、调查基础设施。
• 临床资源密集型（临床医学、公共卫生、护理研究）：医院 IRB 访问权限、患者队列、临床试验基础设施、医疗记录数据库。
• 田野工作密集型（人类学、生态学、考古学）：田野访问权限、差旅、长时间的数据收集周期。
• 涉及人类受试者密集型（心理学、教育学、社会学、公共卫生）：IRB／伦理审批、参与者招募、访谈基础设施、纵向队列维护。
• 档案／阐释型（人文学科、历史学、法律）：图书馆访问权限、档案馆藏、语言技能、稀有手稿访问权限、与博物馆或画廊的合作。
• 创意实践型（艺术、设计、音乐、创意写作、电影）：工作室使用权限、展览机会、表演场地、作为学术成果的创意作品集。
• 基础设施需求极低（纯数学、理论 CS、哲学）：主要依赖智力资源。

指导文化：

• 结构化实验室会议（实验科学、ML）：定期小组会议、期刊俱乐部、进度报告。
• 研讨会和读书会（人文学科、社会科学、理论领域）：通过讨论、精读和批评促进学术发展。
• 临床指导（医学、护理、公共卫生）：将研究指导与临床培训相结合；学生可能兼具临床医生和研究人员的双重身份。
• 工作室评议（艺术、建筑、设计）：通过作品集评审、展览筹备和迭代创作过程提供反馈。

领域概况如何影响分析

• 发表时间线（第 2 步）：在以会议为主的领域，关注会议截止日期前的发表高峰。在以期刊为主的领域，关注资助报告周期或论文里程碑前后的发表集中期。在以专著为主的领域，发表间隔 2–3 年属于正常情况。在临床研究中，发表节奏可能取决于临床试验阶段或队列可用性。
• 新颖性类别（第 4 步）：使用符合领域特点的类别（见下文第 4 步）。
• 资源概况（第 5 步）：评估该领域所需的资源，而非套用通用的计算资源清单。对于生物医学研究人员，重点关注临床资源、IRB 基础设施和资金来源（NIH、MOST、NHS 等）。对于人文学者，重点关注档案访问权限、语言能力，以及能够支持专业研究的机构隶属关系。
• 工作量评估（第 5 步）：依据领域标准而非通用门槛来衡量“高产出”。
• 作者分析（第 4 步）：按照领域惯例解读作者顺序。在生物医学领域，通讯作者（通常为最后一位）是 PI；在人文学科领域，独著属于常态。
• 警示信号（第 7B 步）：依据领域对发表粒度的惯例，判断是否存在“论文拆分”。在临床医学中，按队列或试验阶段分别发表论文可能是标准做法。在人文学科中，一篇具有定论性的文章或专著章节可能凝聚了数年的工作。
• 学生技能预期（第 7 步）：在生物医学领域，学生需要掌握湿实验室或临床技能、统计学知识，并且通常需要具备生物信息学编程能力。在人文学科领域，学生需要具备精读能力、档案研究能力、理论素养，通常还需要语言能力。不要用一个领域的技能预期来评估其他领域的学生。

覆盖政策

默认目标

尽可能覆盖可实际获取的完整发表成果列表。

语料规模较大时

如果教授的论文太多，无法在一次检索中全部仔细查看，请采用透明的分层策略：

• 第 1 层：核心论文。近期论文、核心论文、每条研究主线的代表性论文，以及似乎标志着研究方向转变的论文。
• 第 2 层：补充论文。用于验证分类法、合作模式和学生发展轨迹的其他论文。
• 第 3 层：边缘论文。较次要、重复、研讨会论文、演示论文或无法获取的论文。对此类论文只需简要概述。

务必报告：

• 确认的论文总数，
• 深入阅读的论文数，
• 略读或根据元数据推断的论文数，
• 哪些结论依赖不完整的覆盖范围。

来源收集流程

大致按以下顺序优先选择来源，并根据具体领域挑选合适的来源：

1. Google Scholar 个人主页或发表成果列表。
2. 个人网站和实验室网站。
3. 领域专属的书目数据库：
   • 计算机科学／机器学习：DBLP、ACL Anthology
   • 生物医学／临床医学：PubMed、Europe PMC、ClinicalTrials.gov
   • 公共卫生／流行病学：PubMed、Global Health (CABI)
   • 护理／相关卫生领域：CINAHL、PubMed
   • 心理学：PsycINFO、PubMed
   • 社会科学／经济学：SSRN、RePEc、EconLit、ProQuest Social Sciences
   • 教育学：ERIC、EdArXiv
   • 人文学科／哲学：PhilPapers、JSTOR、Project MUSE
   • 文学／语言学：MLA International Bibliography、JSTOR
   • 历史学：Historical Abstracts、JSTOR、数字化档案
   • 法学：Westlaw、HeinOnline、SSRN
   • 艺术／音乐：RILM、Arts & Humanities Citation Index
   • 数学：MathSciNet、zbMATH
   • 物理学：INSPIRE-HEP、ADS
   • 综合性数据库：Scopus、Web of Science
4. 预印本服务器（arXiv、bioRxiv、medRxiv、SSRN、EdArXiv、SocArXiv、PsyArXiv、engrXiv），用于查找尚无正式发表版本的论文。
5. Semantic Scholar 或其他元数据聚合平台。
6. 学生页面、校友页面、简历、团队动态，以及资助或项目页面。
7. 可查询的资助数据库（NSF Award Search、NIH Reporter、MOST 科技部計畫、ERC database、Wellcome Trust、CIHR）。
8. 机构知识库和学位论文数据库（ProQuest Dissertations、大学 ETD 知识库）——有助于查找往届学生及其论文主题。

针对每类来源，提取其擅长提供的信息：

• Scholar：覆盖广度、数量、时间线。
• 个人或实验室网站：团队结构、学生、项目、资助线索。
• 领域专属数据库：更准确的元数据和发表渠道历史。
• 官方会议论文集或期刊：权威的发表渠道信息和全文。
• 预印本服务器：可获取的全文和附录。
• 学生或校友页面：学生身份和发展轨迹线索。
• 资助数据库：资助项目名称、金额和合作者。

如果不同来源的信息不一致，应优先采用最权威的来源，并说明其中的冲突。

第 1 步：建立教授概况

首先汇总以下信息：

• 姓名、所在机构、院系、实验室名称，
• 研究领域，
• 公开的学生或校友名单，
• 最近的职称或任职机构，
• 按年份统计的发表数量，
• 反复出现的主要发表渠道（会议、期刊、图书出版商，或该领域适用的其他渠道），
• 经常合作的合作者，
• 可见的资助、数据集、系统或基础设施线索。

然后用一段话总结教授显现出的学术身份。

第 2 步：构建研究时间线

按年份整理论文，并记录：

• 每年的发表数量（根据领域概况中的领域常态进行校准），
• 发表场所的构成，
• 作者署名模式（根据领域特定的署名惯例进行解读），
• 反复出现的学生姓名，
• 反复合作的合作者，
• 主题的兴起或衰退，
• 截稿日期前后的发表高峰（例如计算机科学/机器学习领域的会议周期、期刊专刊、其他领域的基金报告期或论文完成时间）。

关注以下阶段变化：

• 早期阶段，
• 整合阶段，
• 扩展阶段，
• 近期转向。

第 3 步：构建研究分类体系

将论文归入连贯的研究体系，而不是平铺直叙地罗列。

必需类别：

1. 核心研究主线，
2. 次要研究主线，
3. 应用分支，
4. 共享的方法论主干，
5. 近期转向，
6. 可能的拓展方向。

对于每个类别，识别：

• 奠基论文，
• 延续性论文，
• 转折点论文，
• 旁支探索，
• 可能出于机会或追随趋势而开展的论文。

使用反复出现的问题陈述、方法、数据集和合著者模式，为分类体系提供依据。

第 4 步：阅读论文并提取结构化证据

针对每篇论文，提取以下字段。

论文元数据

• 标题
• 年份
• 发表场所（会议、期刊、图书、预印本）
• 作者列表
• 可见的通讯作者或末位作者信息
• 可能的主导类型：学生主导、教授主导、外部主导或不明确
• （根据领域概况解读署名顺序）

问题

• 论文试图解决的核心问题
• 该问题为何重要
• 当时存在什么瓶颈

方法 / 方案 / 论证

• 论文提出了什么解决方案、框架或论点
• 核心思想或论点
• 重要的设计决策（针对实证/实验研究）或论证步骤（针对解释性/理论研究）
• 这些决策为何合理
• （针对人文学科和解释性社会科学：使用了什么理论框架或视角，分析了哪些原始资料或案例，采用了什么论证方式）
• （针对生物医学研究：采用了什么研究设计——RCT、队列研究、病例对照研究、体外实验、动物模型或计算研究——以及关键的方法选择是什么）

创新点

将论文的主要创新点归类为以下一个或多个通用类别。请参考各领域的示例进行分类。

• 问题界定：重新定义或提出新的研究问题
  • 计算机科学／机器学习：提出新任务；人文学科：提出新的解读视角或重新界定经典问题；生物医学：发现新的临床需求或患者群体；社会科学：揭示此前未曾考察的社会现象
• 概念性洞见：以新的方式思考现有问题
  • 物理学：提出新的理论预测；经济学：提出新的机制或模型；文学研究：对经典文本作出新的解读；医学：加深对疾病机制的理解
• 方法创新：提出新方法、工具、技术或方案
  • 计算机科学／机器学习：模型架构、训练方案、算法；生物学：新型检测方法、成像技术、CRISPR 应用；社会科学：新型调查工具、因果识别策略；人文学科：新型数字人文方法、档案研究方法；临床：新型诊断方案、新型手术技术
• 数据或资源贡献：创建或整理有价值的数据集、语料库、基准、代码库或共享资源
  • 计算机科学／机器学习：基准或数据集；基因组学：测序基因组；语言学：标注语料库；历史学：数字化档案；临床：患者登记库、生物样本库；社会学：纵向调查数据集
• 系统或基础设施建设：构建可运行的系统、平台或流水线
  • 计算机科学／机器学习：开源工具包、已部署系统；工程学：原型设备；临床：试验基础设施、临床决策支持系统；数字人文：数字版、可搜索档案平台
• 理论分析：形式化证明、推导或数学框架
  • 数学：定理；理论计算机科学：复杂度证明；经济学：均衡分析；哲学：系统的逻辑论证；文学理论：新的理论框架
• 实证发现：通过观察、实验或数据分析得出的新发现
  • 生物学：新物种或机制；心理学：新的行为现象；天文学：新天体或信号；医学：新的临床发现、流行病学模式或药物相互作用；历史学：新发现的一手史料证据；社会学：此前未记录的社会模式
• 诠释或批判性贡献：对现有文本、文物或文化现象作出新的解读、批评或重新诠释（主要涉及人文学科和定性社会科学）
  • 文学研究：对文本或语料库进行新的细读；历史学：重新诠释历史事件或时期；艺术史：对艺术作品或运动作出新的分析；人类学：新的民族志解读
• 临床或转化贡献：推动基础科学发现走向临床应用，或评估患者群体中的干预措施（主要涉及生物医学）
  • 医学：临床试验结果、从实验室到临床的转化研究、临床指南制定、附有临床建议的系统综述
• 综合或综述：将现有知识整合为连贯的框架
  • 所有领域：综述文章、元分析、系统综述、手册章节、领域现状综述

资源

估算这项工作可能需要哪些资源。选择与该领域相关的资源类型：

计算资源（适用时）：

• 计算规模（GPU 小时、集群使用时间、云计算预算），
• 专用硬件（FPGA、TPU、量子设备），
• 工程基础设施（分布式训练、数据管道）。

实体或实验资源（适用时）：

• 实验室设备（显微镜、光谱仪、洁净室），
• 生物或化学材料，
• 动物或人类受试者，
• 现场设备或现场调研权限。

数据资源（适用时）：

• 数据集规模和来源，
• 标注工作量，
• 临床队列或患者登记库，
• 调查基础设施，
• 档案或图书馆馆藏。

机构访问权限（适用时）：

• 行业或企业合作关系，
• 临床或医院访问权限，
• 政府或政策访问权限，
• 跨机构协调。

资金线索（适用时）：

• 致谢中提及的资助项目或赞助方，
• 行业资助，
• 国家或国际资助项目。

将资源相关判断标记为直接陈述或推断。

作者分析

根据反复出现的证据推断：

• 可能的学生，
• 可能的博士后或资深合作者，
• 内部合作者，
• 外部学术合作者，
• 工业或临床合作者，
• 一次性合作伙伴还是长期合作伙伴。

不要过度解读单一的作者顺序模式。应依据该领域的作者署名惯例进行解读。

影响力与信号

说明这篇论文是否看起来属于以下类型：

• 教授的核心论文，
• 有代表性的学生论文，
• 合作密集型论文，
• 转型期论文，
• 显示发表在高声望期刊或会议上的信号，
• 能有力表明其指导能力或资源获取能力。

写作质量

评估以下方面（根据该领域的学术规范调整标准）：

• 引言是否清楚地说明问题或研究问题，
• 相关工作、文献综述或理论背景是否有效地构建了语境，
• 方法、论证或分析思路是否解释清楚，
• 证据（实验、证明、数据分析、案例研究、文本分析、临床数据）是否严谨且适合该领域，
• 论文是否体现出清晰易懂的讲解能力，
• （人文学科：文笔质量、论证的深度、对一手资料的运用），
• （生物医学：临床意义是否清晰、统计报告是否恰当、对局限性和利益冲突的披露是否透明）。

置信度

将置信度评为高、中或低，并说明原因。

所有论文层面的判断均应采用 references/evidence-rubric.md 中的证据评估标准。

第 5 步：综合评估教授层面的表现

阅读多篇论文后，从以下维度评估教授。

研究实力

评估：

• 所选问题的重要性，
• 是否持续研究有价值的问题，
• 是否能够制定研究议程，而非追随潮流，
• 是否能够产出有影响力的成果（方法、理论、框架、发现），
• 发表平台的稳定性（该领域的顶级期刊或会议），
• 长期研究方向的一致性。

指导能力

评估：

• 可能的学生人数及稳定性（应结合该领域典型的实验室结构进行校准），
• 学生是否担任主要作者（在第一作者和末位作者惯例的领域中担任第一作者，或在其他署名惯例中担任相应角色），
• 学生是否逐渐成长，
• 学生是否负责主导越来越成熟的研究，
• 可查到的校友发展情况，
• 教授似乎能否培养出独立研究者。

合作网络

评估：

• 跨实验室、跨大学、跨国家及行业（或跨领域）的合作，
• 合作范围与合作深度，
• 是否反复与高水平合作者合作，
• 教授在合作中似乎处于核心还是边缘位置。

资源概况

评估对这位教授的特定领域（如领域概况所示）至关重要的资源：

• 其研究类型所需关键资源的获取情况（计算资源、设备、数据、田野调查条件、档案馆藏、临床人群等）；
• 独特或难以复现的资源（专有数据集、稀缺设备、独家合作关系）；
• 能否利用现有资源开展有雄心的项目；
• 将资源高效转化为有影响力成果的能力。

工作负荷与文化风险

谨慎评估：

• 相对于领域常态的成果产出量（ML 领域的教授一年发表 30 篇论文可能很正常；哲学领域的教授一年发表 30 篇论文则是警示信号）；
• 单个周期内集中发表大量论文的情况；
• 高产出模式；
• 碎片化风险（发表许多浅薄的论文，而非少数扎实的论文）；
• 成熟的任务委派迹象；
• 受截止日期或压力驱动的文化迹象；
• 是否仍存在多种合理解释。

如果证据存在歧义，对于高产出信号，务必至少给出两种合理解释。

教学与沟通信号

从写作和阐释方式进行评估：

• 引言是否清晰；
• 文献综述或相关工作部分的组织方式；
• 方法或论证的讲解方式；
• 图表或证明的教学效果；
• 论文是否适合用于培养新手。

第 6 步：推断未来方向与机会

使用以下信号：

• 对未来工作的陈述；
• 过去两到三年的研究转向；
• 新的合著者模式；
• 新数据集、方法或系统；
• 反复出现但尚未解决的瓶颈；
• 反复出现的方法或应用模式；
• 新的资助或经费支持项目（如可见）。

回答：

• 教授最有可能在哪些方向拓展；
• 哪些方向最有可能需要新学生或合作者；
• 哪些方向具有持续发展性；
• 哪些方向可能只是机会性尝试，而非战略布局。

第 7 步：申请者适配度分析

首先，参考上文的“申请者层级校准”部分，结合申请者的层级和领域调整所有建议。

然后，将申请者归入以下一个或多个通用研究角色。请参考符合其领域的示例进行归类。对于本科生和硕士早期阶段的学生，将其归为“正在学习”某个角色（而非完全胜任该角色）也可以。

• 实证研究者／实验研究者：主导数据收集、实验或计算研究
  • CS/ML：开展大规模实验；生物学：设计并实施湿实验或野外实验；心理学：开展行为研究；临床医学：设计并开展临床试验或观察性研究；公共卫生：开展流行病学调查
• 理论构建者：开发形式化框架、证明或数学模型
  • 数学：证明定理；经济学：构建均衡模型；理论计算机科学：分析算法；哲学：提出系统论证；文学理论：开发阐释框架
• 阐释型学者：对文本、文物、事件或文化现象提出原创解读、评论或重新阐释
  • 文学研究：细读、比较文学；历史学：档案阐释、史学研究；艺术史：视觉分析；人类学：民族志阐释；宗教学：文本注释
• 临床／转化研究者：连接基础科学与患者护理，或评估临床环境中的干预措施
  • 医学：临床试验、转化研究；护理学：循证实践研究；药学：药物相互作用研究；康复科学：干预评估
• 定性研究者：开展访谈、民族志、话语分析或其他定性研究
  • 社会学：民族志、扎根理论；教育学：课堂观察、访谈研究；人类学：参与式观察；传播学：话语分析；护理学：患者体验研究
• 方法学研究者：创建新工具、技术、规程或仪器
  • CS/ML：设计架构、训练流程；化学：开发合成方法；社会学：创建调查工具；临床医学：开发诊断规程；数字人文：构建计算分析工具
• 资源构建者：构建数据集、基准、语料库、工具包或基础设施
  • CS/ML：基准／数据集构建者；基因组学：测序流程；数字人文：标注语料库；临床领域：患者登记库、生物样本库；历史学：数字化档案
• 跨领域桥梁：将一个领域的方法或见解与另一个领域相连接
  • 所有领域：将计算技能带入生物学、将语言学理论用于 NLP、将统计方法用于人文学科、将临床视角带入基础科学等
• 应用专才：将现有方法用于特定领域或问题
  • CS/ML：在医疗领域部署模型；工程学：将理论应用于产品设计；公共卫生：将流行病学方法用于新的人群
• 学徒型学习者（适用于本科生和硕士早期阶段的学生）：具备基础技能并充满热情，但主要希望在指导下学习研究方法
  • 所有领域：具备课程知识和基础技能（技术、分析或阐释方面），并渴望获得实践研究经验的学生

然后评估：

• 为什么这位教授适合这位申请者的层级和目标，
• 为什么这位教授可能不太适合，
• 加入该团队可能有多难（需考虑申请者的层级——有些教授只招收博士生，有些则欢迎本科生），
• 申请者应重点突出哪些方面，
• 联系教授前，申请者应弥补哪些不足。

各学历阶段的适配考量

博士申请者：重点关注长期研究方向的契合度、导师的指导风格、论文发表轨迹和职业发展。

• 人文／社会科学：还应考虑理论方向的契合度、写作指导质量，以及教授是否支持学生形成独立的学术表达风格。
• 生物医学：还应考虑实验室资源、临床资源获取、经费稳定性，以及学生是否能在重要论文中获得署名。

硕士生：重点关注课题的可进入性、项目范围的设定、论文时间安排是否合适，以及教授是否成功指导过硕士论文。可询问：是否有一个界定清晰、学生能在 1–2 年内完成的子问题？

• 人文／社会科学：硕士论文可以是批判性论文、档案研究或民族志报告。教授是否会指导学生提出范围适当的阐释性或分析性问题？
• 生物医学：硕士论文可以是范围明确的实验、临床数据分析或系统综述。教授是否有目标清晰、切实可行的项目？

本科研究者（毕业设计／论文／專題）：重点关注入门的可行性、学习机会，以及教授或高年级学生是否有余力提供指导。可询问：是否有一项任务，学生能运用现有技能参与，同时学习新技能？教授的团队是否有吸纳本科生参与研究的惯例？

• 人文／社会科学：本科生可以协助文献综述、档案编目、翻译、转录、定性数据编码或在监督下开展访谈。应关注重视这些贡献的教授。
• 生物医学：本科生可以协助实验室操作、数据录入、文献检索、简单分析或方案准备。应关注为实验室本科生提供结构化入门指导的教授。

如果缺少申请者背景信息，应按申请者类型和学历阶段给出有条件的建议，而不是泛泛赞扬。

教授与学生类型的匹配

评估哪种类型的学生最有可能在这位教授的指导下取得进展：

• 自由探索型：自主提出问题；与之相对的是需要明确指导的结构化问题型学生，
• 方法论型：构建工具；与之相对的是想回答具体问题的问题驱动型学生，
• 追求快速发表型：希望迅速产出；与之相对的是希望长期深耕基础工作的深度钻研型学生，
• 独立工作型：只需少量指导即可推进；与之相对的是频繁寻求指导型学生，
• 广泛学习型：希望接触多种主题；与之相对的是狭窄专精型学生。

然后，如果有用户背景信息，将用户归入这些类型并评估匹配度。将不匹配之处标示为风险，而不是淘汰理由——有些不匹配也可能带来成长机会。

步骤 7B. 警示信号

在完成适配分析之前，务必明确检查以下危险信号。无论是否发现警示信号，本节都必须出现在输出中。

研究方向不匹配

• 过去 2–3 年里，教授的核心研究方向已转离申请者感兴趣的领域。
• 申请者关注的研究方向近期没有论文发表。

学生培养方面的顾虑

• 近年学生作为第一作者发表的论文很少或没有（对于通常预期学生担任论文第一作者的领域）。
• 看不到在读学生的成长轨迹（学生始终没有从中间作者晋升为第一作者）。
• 看不到校友的发展去向，或校友离开了所在领域且没有明确的职业路径。
• 在小型研究团队所在的领域（人文、数学）中，看不到学生完成学业的情况，或学生的毕业时间过长。

按学历阶段区分的预警信号

• 本科生：教授从未指导过本科生（没有本科生合著者，也未提及指导本科生）。这不一定是阻碍，但值得考虑教授是否有耐心，或是否具备指导本科生的机制。
• 硕士生：教授的项目都需要多年投入，而且没有范围明确的子问题。硕士生可能难以在 1-2 年内完成有意义的工作。
• 所有阶段：教授的课题组规模过大，导致个人指导时间可能非常有限；或规模过小，以至于没有可以学习的同伴。

按领域区分的预警信号

• 人文与社会科学：
  • 教授只发表独著作品，也看不出让学生参与任何可见学术成果的惯例（甚至没有在致谢中提及）。这在该领域或许很常见，但对于寻求指导的学生来说，值得考虑教授会投入多少精力。
  • 课题组学生完成学位所需时间过长（即使按人文领域的标准也如此；该领域博士学位通常需要 6-8 年）。
  • 教授的理论框架或思想流派过于狭窄，学生在这一小众领域之外的职业选择可能有限。
  • 教授与更广泛学术界的互动不明显（没有会议报告、编辑委员会任职或专业服务），这会限制学生建立人脉的机会。
• 生物医学：
  • 教授近期发表的论文中没有学生担任第一作者；所有论文都由博士后或教授本人主导。这可能意味着学生没有实质性的项目主导权。
  • 实验室依赖一项似乎即将到期的单一资助（查看 NIH Reporter、MOST 等平台上的资助结束日期）。
  • 教授的临床工作量似乎很大（有大量临床论文，且列于临床目录中），因此可能没有太多时间指导研究。
  • 研究需要专用设备或患者群体，而教授是通过可能不稳定的合作关系获取这些资源。
  • 教授发表了许多病例报告或临床观察研究，而非以假设为驱动的研究。这本身并非坏事，但会影响学生接受的训练类型。
  • 人体研究的 IRB/伦理审批可能造成长期延误。如果教授的工作需要新的 IRB 方案，学生的时间安排可能受到影响。

对合作的依赖

• 教授近期的高影响力成果严重依赖某一特定外部合作者或机构。
• 风险：如果合作结束，该研究方向可能停滞，使当前学生陷入困境。

实验室动态信号

• 从作者名单快速变化推断出学生流动率很高（适用于实验室合作为常态的领域）。
• 实验室只有一名学生，且看不到同届同伴（适用于预期开展团队合作的领域）。
• 发表模式显示研究碎片化：短时间内连续发表许多非常相似、增量贡献很小的论文。（应结合领域惯例判断。在生物医学领域，针对不同队列分别发表论文可能是标准做法。在 ML 领域，将同一方法的增量变体投稿至多个会议，可能表明研究内容被拆分发表。）

预警信号的呈现规则

• 列出发现的每项预警信号，并提供支持证据及证据等级（A/B/C/D）。
• 对每项预警信号说明严重程度：阻碍性（强烈建议重新考虑）、严重（谨慎推进）或轻微（留意即可）。
• 对每项预警信号说明是否存在合理的良性解释。
• 如果没有发现预警信号，应明确说明，而不是省略本节。

步骤 8. 外联邮件策略

遵循 references/outreach-playbook.md 中的规则。

邮件内容始终围绕以下要点展开：

• 一到两条具体的研究方向，
• 申请人可以贡献的一种具体方式，
• 一项体现认真做过功课的迹象，
• 一个对双方都有益的交流理由。

避免：

• 泛泛的恭维，
• “我对您的研究很感兴趣”之类含糊的表述，
• 将论文摘要复制到邮件中，
• 尚未表明契合度，就请求录取。

用户请求协助撰写外联邮件时，应根据申请人的水平提供相应版本：

• 博士申请人邮件：展现成熟的研究素养和具体的贡献潜力。
• 硕士论文学生邮件：说明对特定主题的兴趣、相关课程或项目经历，以及学习意愿。
• 本科生研究学生邮件：展现热情、相关课程、具体技能，以及对教授研究领域的具体了解。坦诚说明自己是本科生——教授欣赏直率。
  • 人文与社会科学技能可提及：语言能力、细读经验、档案研究经验、定性方法课程、写作能力、对特定理论框架或历史时期的熟悉程度。
  • 生物医学技能可提及：实验课程经验、学过的具体技术（PCR、细胞培养、显微镜检查等）、统计学或生物信息学课程、临床跟诊或志愿服务经历、对特定模式生物或疾病领域的熟悉程度。
  • STEM／工程技能可提及：编程语言、数学基础、硬件经验、数据分析工具。
• 研究合作邮件（适用于博士后、教职人员或业界研究人员）。
• 简短的关系建立邮件（适用于任何级别的初次联系）。

对于本科生和硕士生，语气应尊重而积极，但不要卑躬屈膝。要表明自己做过功课。用一段说明你为何对对方的研究感兴趣（具体说明），一段说明你能带来什么，再用一句话询问是否有适合你当前水平的空缺或项目。

步骤 9. 交流与面试指南

根据申请人的水平调整本节内容。

用户请求准备会面时，须包含：

• 教授可能提出的问题（按申请人的水平调整），
• 每个问题考查的内容，
• 有力的回答结构，
• 可能导致失败的做法，
• 一到两个申请人可以提出的有见地的问题，
• 如何提出一个小型研究想法，同时避免显得天真或傲慢。

按学历层次准备

博士申请者：准备讨论研究方法、发表经历（如有）、长期研究兴趣，以及为什么选择这位导师。教授会评估你是否有潜力成为独立研究者。

• 人文与社会科学：准备讨论你倾向的理论传统、写作样本（如适用），以及你的学术兴趣如何与教授的研究相契合。
• 生物医学：准备讨论实验室经验、掌握的实验技术，以及你对教授研究问题的机制层面的理解。

硕士生：准备讨论相关课程、项目经验，以及为什么想做论文研究（而不是只修课程）。教授会评估你能否完成论文，以及研究主题是否切实可行、契合度如何。

• 人文与社会科学：准备讨论你感兴趣的文本、时期或现象，以及论文选题的初步构想。
• 生物医学：准备讨论相关实验室课程、研究经历，以及你对实验、计算或临床研究的兴趣。

本科生研究者（毕业专题／论文／專題）：准备讨论相关课程、技能（按学科领域而定：编程、实验室技术、语言能力、分析工具、细读经验、定性方法等），以及你希望学到什么。教授会评估你是否具备足够的基础来从这段经历中获益，以及你是否可靠、有动力。坦诚说明自己尚不了解的内容是优点，而不是缺点。表明你至少读过他们的一篇论文或项目介绍，并能说清楚哪些内容吸引了你。

• 人文与社会科学：提及相关课程（理论、方法、区域研究）、你做过的写作或研究、语言技能，以及教授的哪些研究内容在学术上吸引你。
• 生物医学：提及相关实验室课程、学过的技术、统计或计算技能，以及你想进一步了解教授研究的哪些方面。

反向提问策略

提供申请者可以用来了解以下方面的问题：

• 指导风格：“第一年的项目通常是什么样的？”／“学生如何选择研究主题？”
• 实验室／团队文化：“学生一周的日常通常是什么样的？”／“团队如何应对重要的论文投稿截止日期或阶段性目标？”
• 实际交流机会：“您多久会与学生单独见面一次？”／“学生之间会合作吗？”

对于本科生，补充：

• “您目前的团队里有本科生吗？”
• “有没有适合本科生参与的具体项目？”
• “我会直接与您合作，还是与研究生合作？”
• “开始之前，具备哪些背景或技能会对我有所帮助？”

措辞时要让申请者显得是出于好奇，而不是在盘问。

在短时间会面中建立契合感

将 20 分钟的谈话安排如下：

1. （2 分钟）以对对方近期研究的一项具体观察开场——不是恭维，而是真诚的见解或疑问。
2. （5 分钟）介绍自己的背景——一个项目、一项技能，以及与对方研究的一处联系。
3. （5 分钟）提出一个你一直在思考的小型研究切入点（博士申请者），或询问一个你可以参与的具体项目（硕士生／本科生）。
4. （5 分钟）请教授分享看法——“您觉得这个方向会如何发展？”／“目前的瓶颈是什么？”
5. （3 分钟）以实际的后续步骤收尾——“我们下次交流前，我读一下 X 会有帮助吗？”／“您建议我做哪些具体准备吗？”

研究构想提案的校准

• 研究构想应足够小，能够作为入门项目切实开展。
• 构想应与教授现有的研究方向相关，同时融入你自身背景带来的新意。
• 将其表述为“我一直在思考 X，很希望听听您的看法”，而不是“我想在您的实验室做 X”。
• 做好教授调整方向或否定构想的准备。这也能帮助你了解教授如何看待新想法。
• 避免提出过于宏大的构想（会显得不够成熟），也要避免过于渐进的构想（会显得缺乏远见）。
• 本科生：不提出研究构想也完全没问题。可以表达对现有项目的兴趣，并询问自己能如何参与。教授往往更倾向于让本科生加入现有项目，而不是让他们提出新构想。

输出要求

使用 references/output-template.md 中的模板。

证据充分时，至少应包含以下部分：

1. 领域概况（来自步骤 0）
2. 教授简介
3. 研究时间线
4. 研究分类
5. 逐篇论文分析
6. 导师评估
7. 未来方向
8. 申请者契合度分析
9. 警示信号
10. 冷邮件模板
11. 沟通与面试指南
12. 最终结论

如果无法完成某些部分，请保留该部分标题，并明确说明缺少哪些信息。

最终结论要求

结尾应说明：

• 处于用户当前阶段、最有可能在这位教授指导下取得良好发展的申请者类型；
• 最不可能取得良好发展的申请者类型；
• 针对用户当前阶段最有潜力的机会；
• 最大的风险；
• 用户接下来应采取的三项行动（根据其阶段调整，例如本科生可以“修读 X 课程”“学习 Y 工具”“阅读 Z 论文”；博士申请者可以“针对 X 主题准备研究计划”“联系当前在读学生 Y”等）。

限制

• 不要将推测说成事实。
• 不要根据单篇论文推断工作量、个性或道德。
• 不要假设所有反复出现的合著者都是学生。
• 不要假设所有末位作者的论文都由教授主导。
• 不要不加调整地将计算机科学／机器学习领域的惯例套用于其他领域。
• 不要将 STEM 领域的惯例套用于人文学科或社会科学。
• 在独著、低发表率、篇幅较长的著作以及理论性（非实证）贡献在相应领域均属正当且享有声誉的情况下，不要因此予以负面评价。
• 不要将实验室科学的惯例套用于临床、公共卫生或基于人群的研究。不同研究设计的时间跨度、作者署名模式和资源需求各不相同。
• 在低发表量属于常态的领域，不要因此予以负面评价。
• 在独著属于常态的领域，不要因此予以负面评价。
• 在小型团队或独立研究属于常态的领域，不要因缺少大型实验室而予以负面评价。
• 在计算技能并非核心能力的领域，不要因缺少这类技能而予以负面评价。
• 在档案研究、阐释性研究或理论研究领域，不要因缺少实验室技能而予以负面评价。
• 不要隐瞒访问限制或覆盖不完整的情况。
• 不要捏造校友去向。
• 不要以获得赞扬为目标，而要以帮助用户作出决策为目标。
• 不要假设“研究”只指实验性或定量工作。阐释性、批判性、档案性和创作性学术研究同样有效。

参考资料

• references/evidence-rubric.md。证据等级、置信度规则和反证处理流程。
• references/output-template.md。默认报告结构。
• references/outreach-playbook.md。邮件与面试策略规则。