上岸只是同一条起跑线。十年后,有人正处,有人还卡在正科。
拉开这一档的,除了能力和运气,还有一样你天天照镜子、却从没算过的东西——你自己的脸。
发一张正面照,看看它在体制内,到底给你加了几分,还是减了几分
给 AI 三样东西:一张正面照、一个你入体制的年龄,再报一句想去的部门(可选)。
它按顶刊研究的口径给你的脸打四维分,对照 6,335 人次真实数据,
写出一份只属于你的体制内仕途剧本——几岁副科、卡在哪一级、哪一年最惊险,
每一个年龄节点,都踩着真实的晋升年限规则往下推。
这不是算命。哥伦比亚大学 × 北京大学,一篇发在政治学第一刊 APSR 的论文,
我们把它的公开数据和全部结论,做成了一个你可以上手玩的东西。
6,335 人次真实四维印象数据 · 晋升三关分层推演 · 一份从入职推到定格的仕途剧本
真实晋升年限规则逐条落地 · 43 个部门各有各的剧情线 · 同一张脸,两种结局
16 条实证发现全部可溯源 · ±10 分位诚实标注 · 每个数字都指得到论文出处
看效果 · 论文说了什么 · 怎么算的 · 剧本的骨架 · 安装 · FAQ · 诚实边界
如果你在备考,你想先看清上岸之后那条路,到底长什么样。
如果你已经在里面,你好奇的是:同一张脸,领导和同事读出了什么。
如果你只是路过——先拿自己的照片试一把,再说。
先别急着看数据。先看一张脸,被读成了一整段人生:
📋 AI 面相 · 体制内吃香指数
样例用户 K(男)|26 岁入体制|市卫健委
🎯 吃香总指数 64 / 100|面相类型:放心脸 · 后劲型
定论:26 岁入场,这张脸的大概率剧本——47 岁前后停在正处。
但别急着失望:能走到那,已经是同批前 4% 的人。
【仕途剧本】(节选)
"……33 岁才挂上四级主任科员,比法规最低线晚两年——那两年科里职数满着,
你的考核是'良好',两个字,不上不下。
34 岁,组织安排你去街道借调两年。当时你觉得是发配,后来才明白,
那是你仕途里最值钱的两年——提副处的硬门槛写着'两年基层经历',
你 34 岁就攒齐了。
……43 岁竞副处,你的演讲不是最亮的,票却是最齐的。科级到县处级,
全市这一批不到 4.4% 的人过线——你过了。"
【如果换个变量】把那张学生气的照片换掉(正装照,能干感平均 +0.2)——
起步段欠的债,抢回三年:36 副科、40 副处、45 正处。
第一步只有一件事:今晚,换掉头像。
人物、单位与剧情均为基于统计规律的虚构模拟|娱乐向|Jiang & Yang (2026) APSR
每个年龄节点都能倒查:34 岁那两年基层=提副处的硬门槛、43 竞副处=5 年工龄+2 年基层双达标、"前 4%"=科级到县处级的真实过线比例——剧本是编的,骨架全是真的。
2026 年,政治学第一刊 American Political Science Review 上线了一篇论文:《Portraits of Power: Facial Appearance and the Tacit Domain of Political Selection in China》。作者是哥伦比亚大学的 Junyan Jiang 和北京大学的 Songpo Yang。
他们问了一个所有人心里都嘀咕过、但没人正经算过的问题:在一个号称凭考试、凭政绩、凭资历的选拔体系里,长相到底有没有用?
为了回答它,这项研究做了五件事:
- 收履历。 4,000 多名 1994-2017 年市级以上干部的完整档案:每一次晋升、每一个年龄节点、学历、辖区经济数据、政治关系——谁升了、升到哪、谁出了事,全部在案。
- 给脸打分。 雇 199 名普通人,给 2,500 张正面照按四个维度打分:能干、可信、攻击性、好看。每人都要先过 25 张共同的"锚照"来校准评分尺度——这份"普通中国人的第一印象",就是全部分数的地基。
- 教机器看脸。 用这 2,403 张人评照片训练神经网络(ResNeXt-50),让它学会"普通人怎么看脸",再给全部官员照片打分。为什么非要用机器?因为机器不认识任何人——人类评委看到熟面孔会想"他是省长,所以看着能干",因果就倒了;机器天然盲评,把这条路堵死。
- 五路分析。 回归、分层交互、被查风险、随机森林、实地实验——五种方法互相验证,不靠单一模型说话。
- 最巧的一步:合成脸实验。 用 StyleGAN2 把最高分和最低分的照片各 3,000 张"平均"成一批不存在的合成脸,再请 159 名真实体制内人员对虚拟候选人做两两选拔——现实里没法把脸随机分配给人,合成脸做到了。这一步,让"相关"变成了"因果"。
他们发现了什么(每条都可以在 references/paper_evidence_map.md 里溯源):
| 发现 | 数字 |
|---|---|
| 晋升每一关,看脸的地方不一样 | 低层晋升拼"能干脸"(+2.4pp/SD);越往上越拼"可信、不凶"(+3.7pp/−4.8pp);顶层要双修 |
| 凶脸的代价,和一个博士学位同一量级 | 实验里攻击性外貌 −33.4pp,博士学历 +41.3pp |
| "好看"本身不加分 | 颜值效应 −1.7pp,统计不显著——体制内认的是靠谱感,不是脸蛋 |
| 面相比履历硬件更能预测晋升 | 随机森林里,四个面相维度的重要性全部排在 GDP 政绩、政治关系、学历之上——学历的重要性只有面相单维的约 1/8 |
| 你的照片不等于你的脸 | 同一个人的证件照和抓拍照,印象相关只有 r=0.03-0.23;证件照平均多 +0.2 的能干感 |
| 亲和的红利,对男性更明显 | 可信、不凶的效应集中在男性候选人身上 |
| 安全面相是真的 | 出过事的群体,能干与可信的平均分系统性更低 |
论文给这套现象起了个名字:tacit domain(隐性域)——在考试、政绩、资历这些显性规则之外,第一印象构成了一个说不出口、却系统性起作用的选拔维度。概念的源头是 Polanyi 的"隐性知识"和 Kahneman 的"系统一":人在一秒之内完成对一张脸的判断,然后才开始讲道理。
有一点必须说清楚:这篇论文是批判性的——它的本意是把选拔中的隐性偏见摊开来看,不是教人以貌取人。这个项目保留这份批判(见诚实边界),我们只是把"摊开来看"这件事,做成了你可以亲手玩的形状。
你给三样:照片 + 入体制年龄 + 目标部门(可选)
↓
① 打分:多路空白模型独立盲测,取均值
(为什么盲测?带着记忆的评审会被上一次的分数锚定——
实测同一模型带上下文 vs 空白,能干维能差出 15 个分位)
↓
② 排位:你的四维分放进 6,335 人次的真实分布里算分位
(纯统计,无模型无假设;细分位标 ±10——三路盲测的实测噪音,不装准)
↓
③ 推演:三关分位定天花板 → 法规年限+部门速度档推每个年龄节点
↓
④ 成稿:总评 → 概论 → 仕途剧本 A(含卡点)→ 剧本 B(换个变量的平行人生)
打分的四个维度不是拍脑袋选的——"能干×可信"是社会认知领域最经典的框架(warmth-competence),也是论文原设计;我们的打分口径对齐论文的评分员标准,锚点是"3.0 = 官员群体的普通水平"。
剧本里每个年龄节点,都踩在真实的制度节奏上:
| 规则 | 内容 | 出处 |
|---|---|---|
| 职级晋升年限 | 科员段到主任科员段,每级最低 2 年;一级调研员 3 年;巡视员段 4 年;考核"优秀"一次可缩短半年;到年限≠必升 | 《公务员职务与职级并行规定》第十八、十九条 |
| 提任县处级 | 5 年工龄 + 2 年基层经历,缺一不可;副职提正职须任副职 2 年;不得越两级提拔 | 《党政领导干部选拔任用工作条例》第八、九条 |
| 轮岗交流 | 同一职位满十年必须交流——所以剧本里每 5-10 年一定有一次调岗 | 同条例第五十一条 |
| 现实节奏 | 优秀线约 28 正科 / 35 正处 / 47 正厅;科员到副处平均 11 年;科级迈进县处级的比例不到 4.4% | 公开统计(口径见 references/promotion_rules.md) |
部门也不是随便编的——43 个日常报考语境的部门,分九大系统,各有各的剧情质感和晋升节奏:经济口写项目评审季和凌晨的预算表,市场口写年报季和金税系统上线,基层平台慢两年、但攒下提处级必需的基层经历,群团序列是年轻干部的快车道……你报哪个系统,剧本就长在哪个系统的真实日常里。(完整部门表 → references/career_script_engine.md)
装一次,随时能测:
git clone https://github.com/weizeW/guanxiang.git
cd guanxiang
bash scripts/download_data.sh # 数据不随仓库分发,从 Harvard Dataverse 官方下载(约 2MB)作为 Claude Code skill 使用:把整个目录放入 ~/.claude/skills/guanxiang/,对 Claude 说「测官相」即可。
只用分位引擎:python3 scripts/guanxiang_report.py <能干> <可信> <攻击性> <颜值>(1-5 分制)。
仓库地图:
SKILL.md 测算主流程(四要素 → 打分 → 分位 → 剧本)
references/
career_script_engine.md 剧本引擎:三关映射 / 年龄推算 / 部门判定链 / 双结局
promotion_rules.md 晋升时间规则表(法规原文逐条带出处)
paper_evidence_map.md 论文 16 条实证发现全图 + 话术合规表
scoring_rubric.md 打分口径(含盲测纪律与锚照校准机制)
interpretation_rules.md 构型判定 / 面相术语对照 / 词面表
organ_standards.md 彩蛋:九器官逐卡评价(额/眉/眼/鼻/嘴/下巴/脸型/三停/典型度)
output_spec.md 输出规范与合规 checklist
scripts/ 分位引擎 + 数据下载
analysis/ 我们对论文原始数据的自算复核(代码可重跑)
你可能已经在想:这跟街边看相,到底有什么不一样?
不一样的地方只有一个,但它就是全部——街边看相靠一张嘴,这里每一层都能查到论文。四个维度是学术框架、分位是真实数据算的、三关系数出自论文回归表、剧本年限踩着法规条款——我们甚至把论文的实验原始数据重新算了一遍来核验结论,分析代码就在 analysis/ 里,可以重跑。
所以这份剧本里,故事是虚构的,数字不是。故事负责让你看见自己,数字负责让你不必羞于相信。
Q:准吗? 分位是真算的,剧本是虚构的。它读的是"你给人的第一印象",不是"你的命"——这两者的区别,认真写在诚实边界里。
Q:我的照片会被上传吗? 不会。这是本地运行的工具,照片只存在于你自己的机器和你自己的 AI 会话里,仓库不含任何收集行为。
Q:换张照片,分数真的会变? 会,而且这是重点。论文数据里,同一个人两张照片的印象相关只有 r=0.03-0.23——你的照片不等于你的脸,选哪张照片示人,本身就是一个每天都在做的决定。
Q:能测朋友吗? 拿到本人同意就行。真实公职人员不测,谁来都不测(原因见诚实边界第三条)。
Q:为什么分位后面总跟着 ±10? 我们用三路互不知情的空白模型盲测过同一张照片:方向判断完全一致,但单维分位有 ±15 点以内的噪音。±10 是把这份不确定性写在明面上——宁可说得糙,也不装准。
Q:数据从哪来?
论文作者公开在 Harvard Dataverse 的官方复现包(doi:10.7910/DVN/LCZERW),download_data.sh 一条命令自取,使用请遵守其条款。
这个项目,有三件事想先跟你说清楚:
- 它读的是「别人怎么看你」,不是「你是谁」。 研究支持的链条是「脸 → 别人的第一印象 → 别人的决定」,不是「脸 → 你的命」。它算的是你会给人留下几分印象,不是你这个人值几分。
- 这是一群人的统计,不是你一个人的预言。 面相只解释了晋升里很小的一块。谁要是说能从一张脸「算准」你的前程,他已经越过了这项研究的边界。所以我们的分数带 ±10 的不确定度,打分走多路盲测——宁可说得糙,也不装准。
- 别拿它去测真实的公职人员。 这东西是给普通人玩的。原研究的本意,是把选拔里那些说不出口的偏见摊开来看——我们保留这份批判,不做它的反面。
也是因此,每一份剧本都写着那行小字:「人物、单位与剧情均为基于统计规律的虚构模拟」。它本就是编给你看的一个故事——只不过,每一根骨头都是真的。
原论文与数据:
Jiang, Junyan, and Songpo Yang. 2026. "Portraits of Power: Facial Appearance and the Tacit Domain of Political Selection in China." American Political Science Review. 数据:Harvard Dataverse, doi:10.7910/DVN/LCZERW
本仓库与原作者无关联;数据版权归属原研究,使用请遵守 Dataverse 条款并引用原文。
MIT License · 娱乐向 · 每一个数字都能溯源,这是它和江湖 AI 面相唯一且全部的区别