zhnnky329/MathModeling-skills

何を解決するか

このプロジェクトは、数学的モデリングコンテストにおける一般的なワークフローの失敗、たとえば問題文の誤解釈、ベースラインモデルのスキップ、データの不整合、または最終論文に含まれる数値が実際のコード出力に追跡できないといった問題に対処します。AIの役割を「幽霊執筆者」から、機械的正確性と厳格な監査を保証する技術的アシスタントに変更し、モデリング判断は人間ユーザーに残すことを目指しています。

動作方法

システムは28の専門スキルと「ハードゲート」を備えた構造化パイプラインを実装しており、特定の条件が満たされるまで進展を防ぎます。以下のステージで動作します：

1. 基礎作業：問題を解析し、タスクを分類し、共有シンボルテーブルとデータプロファイルを構築します。
2. 手法検証：ベースラインとの比較を行い、リスクプローブを実行してデータカバレッジと出力の退化を確認した後、完全な実装に進みます。
3. コードとレビュー：PythonまたはMATLABコードを生成し、JSONベースの意味的レビュー（構文、再現性など）をディスクに保存する必要があります。
4. 結果と凍結：論文に使用するすべての数値を含む frozen_numbers.json ファイルを生成します。以降の変更はログ記録され、再凍結が必要です。
5. 論文作成と監査：凍結スナップショットに基づいてセクションをドラフトし、提出前に3つの独立した監査（一貫性、完全性、品質保証）を通過させます。

対象ユーザー

高い厳密性を維持し、一般的な事務的ミスを避け、最終提出物が完全に再現可能でコンテストルールに準拠していることを確保したい、数学的モデリングコンテストに参加する学生や研究者。

特徴

• 人間が中心のプロセス：AIが所有する機械的正確性とユーザーが所有するモデリング判断を明確に分離。
• 凍結された数値の慣習：すべての論文値が凍結されたJSONスナップショットに追跡可能であることを要求し、「古くなった」データを防ぎます。
• 複数監査層：論文が提出可能と見なされる前に、3つの別々の監査を通過する必要があります。
• ネイティブプラグイン対応：Claude CodeやCodex/ChatGPTに直接プラグインとして統合可能。
• リスクプローブ：プロセスの初期段階で手法の実現可能性とスケール失敗を検証し、後期の方向転換を回避します。