LONGYU XU
返回全部项目
ACADEMIC BUILD/ 2022

高校数据看板

按院系比较招生、就业和科研指标，小样本自动隐藏

运行当前项目POST /api/labs/university-dashboard技术执行说明GitHub
RESULT / FIXED SAMPLE / 2026-07-17
质量与隐私门通过

2024 年四学院聚合

计算机学院平均月薪 3.7 万，领先金融学院 8 千；全校就业率 91.49%，且没有小样本群体被暴露。

建议决策

渲染按学院视图，并保留 25 人最小群体隐私门。

就业率
91.49%

2024 聚合

平均月薪
¥29.6k

按就业人数加权

录取率
10.92%

2,260 / 20,700

各学院平均月薪千元人民币
计算机¥37k
金融¥29k
管理¥25k
设计¥22k

结果边界合成学院级年度汇总；不含学生或教职工个人记录。

LIVE RUN / COMPLETE FLOWRUN / baselineDOES NOT WRITE TO EXTERNAL SYSTEMS

哪些学院指标可展示，哪些切片必须因隐私阈值隐藏？

页面先自动运行基准样本；也可以在下方编辑完整输入或执行项目专属压力场景。状态、指标、视觉和回执都来自当前 API 输出。

当前引擎状态

质量与隐私门通过

loadinghigh riskrate/—
匹配源行
校验中

合成快照

output.rowCount
录取率
校验中

汇总口径

output.summary.admissionRate
就业率
校验中

加权平均

output.summary.employmentRate
平均月薪
校验中

千元 / 月

output.summary.averageSalary
RESULT VISUAL

隐私感知学院比较

verified fixed sample / funnel
  1. 匹配源行校验中
  2. 录取率校验中
  3. 就业率校验中
  4. 平均月薪校验中
LATEST RUN

业务决策、执行健康与发布回执

执行检查通过，只表示输出有效、未超预算且可以重放；是否发布仍由业务状态和发布检查决定。

正在加载合同并执行固定样本；超时会自动取消且不会产生外部副作用。
EDIT INPUT / RUN AGAIN

换一组输入，重新运行项目引擎

基准输入和压力输入都提交给同一版本 API。压力输入用于触发项目特定的拒绝、降级或复核规则，结果可以重复运行。

编辑完整 JSON 输入
REVIEW QUEUE / READ ONLY

下一步不是一个按钮

  1. P0
    EXECUTED
    质量与隐私门通过

    渲染按学院视图，并保留 25 人最小群体隐私门。

    负责人 / 高校管理层 / 数据办公室

  2. P1
    CONTROL
    UNI-Q01

    拒绝接入

    负责人 / 高等教育数据产品负责人

  3. P1
    DRILL
    隐私过滤失效

    关闭下钻和导出

    负责人 / 平台 SRE / 安全

DATA SOURCES / THIS RUN

公开预览与本次运行分轨

  1. SOURCE 01disconnected preview

    College Scorecard API

    university.scorecard_metric.raw.v1
  2. SOURCE 02disconnected preview

    NSF Awards API and annual snapshots

    university.nsf_award.raw.v1
  3. VALUES RETURNED BY THE ENGINE

    2024 年四学院聚合

    本次计算只使用上方标明的数据版本；公开来源目前仅提供预览，尚未接入引擎。

FAILURE TEST / DESIGN ONLY

故障必须有检测和恢复路径

症状
小群体结果被展示
检测
合成 canary 查询
隔离
关闭下钻和导出
恢复
修复、验证并完成隐私复盘
SYSTEM / FROM INPUT TO DECISION

信息从哪里来、怎样处理、何时调用工具，以及谁负责最后确认。

治理过的高校聚合、质量检查和小样本隐私抑制。

AI 能力边界
没有 AI/ML；当前只聚合 16 行固定合成高校记录。
人工责任
数据治理负责人负责指标口径、隐私阈值和公开展示批准。
01 / EXECUTED TRACE

信息处理顺序

source → context → intelligence → harness → decision → feedback
  1. 01
    信息进入

    读取年度、学院、视图和最小 cohort。

    输入
    UniversityDashboardInput
    输出
    governed filter
    • typed dimensions
    • privacy threshold
    转换控制

    只能选择固定年度、学院和视图。

  2. 02
    上下文构造

    过滤 school-year 记录并选择指标集。

    输入
    governed filter
    输出
    filtered rows
    • dimension filtering
    • view contract
    转换控制

    空切片保持显式 empty-filter。

  3. 03
    模型处理

    执行 sum、weighted average 和自动分组。

    输入
    filtered rows
    输出
    groups + summary
    • weighted aggregation
    • groupBy
    转换控制

    加权指标不做简单平均。

  4. 04
    运行约束

    检查重复键、非法比例、负值和 cohort 隐私。

    输入
    groups + summary
    输出
    quality + privacy + gate
    • quality gate
    • privacy suppression
    转换控制

    数据质量优先于渲染；小样本被隐藏。

  5. 05
    决策产物

    输出 render/empty/privacy-suppressed/blocked。

    输入
    gate
    输出
    dashboard payload
    • render gate
    • suppressed output
    转换控制

    受抑制 summary 不返回敏感聚合。

  6. 06
    反馈回路

    暴露 lineage、suppressedGroups 和 invalidRows。

    输入
    dashboard payload
    输出
    governance receipt
    • row lineage
    • quality telemetry
    转换控制

    当前无修正写回或实时更新状态。

IMPLEMENTATION DETAILS / OPTIONAL

展开 8 个运行步骤、API 边界与实现状态

02 / RUNTIME CHECKS

运行时怎样限制模型和工具

运行图同时列出状态、预算、权限、失败处理、评测和人工审批。

编排H01
filter → validate → group → weight → suppress → render gate。
可检查证据runUniversityDashboard
状态与记忆H02
data contract、过滤器和 snapshot version 随结果返回。
可检查证据dataContract + filter
预算H03
固定 16 行、四年、四学院和三类视图。
可检查证据records fixture
权限H04
只读合成聚合，无学生级数据或写入权限。
可检查证据school-level aggregates
护栏H05
duplicate、admitted>applicants、比例、负值和 cohort 阈值联动。
可检查证据quality + privacy
失败与恢复H06
数据质量阻断、空切片和隐私抑制有不同出口。
可检查证据gate.decision
评测H07
sum 与 weighted average 结果可从 lineage 重算。
可检查证据groups[].lineage
最终权限H08
数据治理负责人决定阈值和公开范围。
可检查证据minimumCohortSize
03 / API EXECUTION ENVELOPE

所有项目共享的运行边界

POST /api/labs/university-dashboard

这里说明 API 当前做到哪一步。页面演示可以观察底层函数，但不等同于已接入真实业务数据或外部写入。

运行姿态
DETERMINISTIC SANDBOX

18 个 API 引擎只读取请求并返回结果，不写入外部系统。当前未接入登录、审计数据库或线上业务数据。

入口契约
STRICT ZOD + 32KB

API 输入先经过严格 schema/default 标准化；HTTP JSON 请求上限 32KB。

执行预算
100–150MS / 256KB

每个项目单独设置耗时预算和 256KB 输出上限；超时会标记降级，非有限数和超大输出会被阻断。

回执与重放
CONTENT-ADDRESSED

回执包含输入/输出/idempotency hash、耗时和质量；尚无持久幂等存储或重复请求短路。

流量与身份
100/MIN / NO AUTH

当前使用进程内 IP 限流和公开 CORS；尚无登录、租户、角色或复核人身份。

页面与 API
TWO EXECUTION SURFACES

站内 Demo 多为底层引擎的直接交互；/api/labs 才增加完整输入校验、通用质量门与执行回执。

公开数据
LIVE PREVIEW / DISCONNECTED

页面可以预览官方端点的数据，但这些数据尚未保存、统一字段或通过质量校验，也不会送入项目引擎。

上线阻塞
OWNER + AUDIT + DATA + OPS

上线前还需要负责人签字、持久审计、全局限流、代表性数据验证、值班安排和回滚演练。

04 / IMPLEMENTATION STATUS

用了什么、解决什么、现在能否运行

每一项都写明它在当前引擎中的作用，以及属于实际执行、固定样本还是待实现设计。

当前项目技术证据矩阵
技术层系统作用当前证据姿态
Governed data contractData规范化输入并生成可追溯的数据产物。固定维度、指标、版本和粒度。当前执行
Dimension filteringData规范化输入并生成可追溯的数据产物。年度、学院和 view 组成受控切片。当前执行
Weighted averagesEvaluation量化质量、稳定性或统计可信度。就业率等按 cohort 加权。当前执行
Automatic groupingData规范化输入并生成可追溯的数据产物。groupBy 生成 school/year 可视化分组。当前执行
Small-cohort suppressionControl限制权限、风险、发布或人工责任。低于 minimumCohortSize 的组与 summary 隐藏。当前执行
Quality checksControl限制权限、风险、发布或人工责任。重复、比例和数值边界被显式验证。当前执行
Row lineageObservability暴露版本、轨迹、原因和可复现证据。每组保留 year:school 来源键。当前执行
Render gateAgent / Harness编排步骤、工具、状态和退出条件。质量与隐私通过后才 render-dashboard。当前执行
DIRECT ENGINE / OPTIONAL

检查底层函数，而不是重复主控制台。

完整 API 工作台已在上方；这里保留直接函数交互用于调试。

RUN THE ENGINE

直接观察项目的本地引擎。

页面 Demo 侧重底层函数交互；完整 /api/labs 包装另含严格输入校验、通用质量门和执行回执。

这是站内运行的工程沙箱：使用公开或合成样本执行真实算法；存在公开仓库时可继续查看源码。

RUNuniversity-dashboard · BI（筛选 + 下钻）
下钻：按学院
73,100
申请
8,480
录取
11.6%
录取率
计算机学院
27,000
金融学院
20,300
管理学院
16,200
设计学院
9,600
CASE DETAILS / OPTIONAL

继续查看项目背景、架构和交付记录。

详细案例仍完整保留，但不再与运行结果争夺注意力。

职责
数据分析
年份
2022
交付方式
独立实现
运行定位
独立设计 / 可运行沙箱
CASE / 01

项目概述

看板按院系和年份比较招生、就业与科研指标。Python 和 SQL 负责清洗及聚合，Power BI 提供下钻；样本量过小时隐藏比例，避免误读。

CASE / 02

问题

P01

数据分散在多个系统，管理层缺少统一、可信的决策视图。

P02

静态报表无法多维下钻，回答不了具体问题。

CASE / 03

架构与流程

architecture.diagram
STEP 01
数据采集

SQL 多源抽取

STEP 02
清洗建模

口径统一与建模

STEP 03
Power BI 看板

交互可视化

STEP 04
下钻分析

多维度钻取

CASE / 04

核心功能

VIEW 01

招生看板

生源结构与趋势可视化。

VIEW 02

就业分析

去向、薪资与行业分布。

VIEW 03

科研指标

产出与经费多维呈现。

VIEW 04

多维下钻

按学院 / 年份 / 专业钻取。

CASE / 05

沙箱验证证据

Power BI
可视化平台

交互式管理看板。

SQL
数据源

多系统统一抽取。

Drill
多维下钻

按多维度自助钻取。

CASE / 06

使用的技术

Power BISQLPythonDAX
IMPLEMENTATION DETAILS / OPTIONAL

展开数据、管道与生产控制。

SLO、权限、灰度、数据来源与故障恢复作为工程附录保留。

IMPLEMENTATION DETAILS

数据、管道与生产控制。

以下保留数据来源、运行限制和工程实现，不占用项目首屏。

DELIVERY / RESPONSIBILITIES·HIGH RISK

高校经营指标与隐私保护决策平台

在统一口径、数据时效和小群体隐私保护下支持招生、就业与科研决策。

RESPONSIBLE ROLE

高校管理层 / 数据办公室

PIPELINE
5 STAGES
CONTRACTS
5 SPECS
QUALITY
4 RULES
PUBLIC DATA
2 FEEDS
架构和运行目标；容量与 SLO 是设计指标，不是线上实绩
院系与机构
TARGET
100

分层权限

年度趋势
TARGET
20 years

口径版本化

并发查看
TARGET
5k

缓存和行权限

沙箱汇总
MEASURED
36 rows

无个人学生记录

WORKFLOW

从接入到签署的责任链

  1. 01

    源数据登记

    数据办公室

    owner、时效和口径

  2. 02

    隐私处理

    隐私平台主管

    小群体抑制和最小化

  3. 03

    指标建模

    BI 平台

    加权口径和血缘

  4. 04

    权限下钻

    管理层

    院系和角色作用域

  5. 05

    决策记录

    数据治理委员会

    证据、版本和 follow-up

TOPOLOGY

可替换服务与控制边界

STORE
source-catalog

系统、owner 和 freshness

CONTROL
privacy-gateway

抑制、脱敏和访问

STORE
metric-model

招生、就业和科研口径

SERVICE
analytics-api

过滤、聚合和缓存

STORE
decision-audit

导出、分享和决策日志

下一个项目

AML Sentinel