输入你的背景与目标（学校 × 研究方向），ProfFound 会自动发现候选导师 → 用 OpenAlex 核实学术指标 → LLM 匹配分析 → 生成推荐报告（Markdown / JSON）。
学生档案(yaml) → 多源发现 → OpenAlex 学术核实 → LLM 匹配分析 → 推荐报告(MD/JSON)
这是一个完整、可独立运行的工具——不依赖任何额外数据库，配好 API key 就能用。
- 多源检索 + 同名消歧：按「学校 × 方向」从公开网络召回候选，用院系 / 学科信号过滤掉同名他人。
- OpenAlex 学术核实（免费、无需 key）：H 指数、引用数、近期论文——既补充可信信息，又帮助区分同名学者。
- 诚实的 LLM 匹配分析：给出匹配分 + 推荐理由 + 风险提示，且只依据检索到的资料措辞、不编造；资料不足时会如实标注「公开资料未提供」。
- 匹配方式透明：LLM 不可用时自动降级到规则匹配，并在报告顶部标明「匹配方式」（🤖 AI 智能分析 / ⚙️ 基础规则匹配）。
- 可信度分区：疑似同名、跨校污染、信息残缺的导师会被单独旁置到「
⚠️ 低可信 / 待核实」区，不与高置信推荐混淆。 - 来源可溯：每条学术指标、评价、招生信息都附原始链接，方便自行核实。
- 离线可测：检索可录制 / 回放，236 个确定性测试不触网、不需 key 即可复现。
pip install -e .
cp .env.example .env # 填入你的 API key（见下表）
python -m src.main -i input_example.yaml # 跑示例档案，生成推荐报告| 变量 | 用途 | 是否必需 |
|---|---|---|
BOCHA_API_KEY |
web 搜索（博查，国内可达的搜索 API） | 是（或改用其它 provider） |
QWEN_API_KEY |
LLM 匹配分析（通义千问 / DashScope） | 推荐（不填则走规则降级） |
OPENALEX_MAILTO |
OpenAlex「礼貌池」邮箱：填了请求更稳更快 | 否 |
- 博查 Bocha（
api.bocha.cn）是国内可达的 web 搜索 API，是「发现导师」这步的数据来源；国外用户可把 provider 换成 Serper（Google 代理） 或 Tavily（见src/search/providers.py）。 - OpenAlex 是免费开放的全球学术库（类似免费版 Google Scholar），无需 key；「礼貌池」指带上联系邮箱后能获得更稳定的限流配额。
| 命令 | 做什么 | 调用的服务 |
|---|---|---|
python -m src.main -i input.yaml |
按档案生成完整推荐报告 | web 搜索 + OpenAlex + LLM |
python -m src.main |
交互式：问答收集你的背景，再出同样的报告 | 同上 |
python -m src.main search <姓名> --school <学校> |
查单个导师的公开资料（不打分、不出报告） | 仅 web 搜索 |
输入档案格式见 input_example.yaml（含学生 profile 与偏好 preference）。
真实运行结构节选；导师信息已匿名化，仅为格式演示，请以官方主页为准。
# 🎓 ProfFound 导师推荐报告
> 🤖 匹配方式：AI 智能分析
## 📊 推荐概览
- 主推荐导师：10 位 ｜ 高匹配（≥80%）：4 位
- ⚠️ 低可信 / 待核实（已旁置，仅供参考）：1 位
### 1. 导师 A 🟢 高匹配 85%
| 研究方向：具身智能 / 机器人学 | H 指数 130（🔗 OpenAlex 核实）| 总引用 85,616 | 🟢 招生中（🔗 来源）|
💡 推荐理由（均依据检索到的公开资料，不编造）：
- 【研究方向】方向覆盖机器人学 / 智能控制 / 具身智能，与你的人形机器人全身控制、多模态感知背景一致
- 【学术实力】OpenAlex 核实 H 指数 130、总引用 8.5 万，IEEE / IET Fellow
- 【背景 / 资源】现任所在院系主任、某研究院院长，方向资源与话语权较强（行政头衔来自检索到的公开资料）
- 【培养风格】课题组规模较大、设青年导师机制；具体指导风格建议邮件进一步了解
⚠️ 风险：行政职务繁重，面对面指导频次可能低于一线教授
---
## ⚠️ 低可信 / 待核实导师（数据存疑，仅供参考，请务必官方核实）
### 导师 X 🔴 低匹配 52%
> 🚩 疑似同名 / 学科错配：身份归属置信度仅 0.40；院系标注与「具身智能」方向明显不符，疑似混入同名他人完整报告还含联系建议、过往评价、招生状态、近期代表性论文等。
导师发现走实时 web 搜索：好处是零数据依赖、即开即用；代价是召回与数据质量取决于搜索结果——可能搜不全，也可能混入同名他人的信息。引擎会用「可信度分区」和「数据质量提示」尽量把不确定的部分标出来，但最终请以导师官方主页 / 院系信息为准。
Tip
可以联系作者「代跑」 —— 把你的背景与目标发我，我用 ProfFound 帮你生成 一份完整的「导师推荐报告」，只收少量 API 成本费。 适合不想折腾 API key / 环境、或想省时间的同学。
📩 微信：bcptdtptpghl （加好友请备注「ProfFound」）
236 个离线确定性测试（录制 / 回放搜索 + mock LLM，不触网、不需 key）：
pip install -e ".[dev]"
pytest -q