zhnnky329/MathModeling-skills

解决的问题

该项目解决了数学建模竞赛中常见的工作流失败问题，例如误解题目要求、跳过基准模型、使用不一致的数据，或在最终论文中包含无法追溯到实际代码输出的数值。它将AI的角色从“幽灵写手”转变为技术助手，确保机械正确性和严格审计，同时将建模判断权留给人类用户。

如何工作

系统实现了一个包含28个专业技能和“硬性关卡”的结构化流程，只有在满足特定条件后才能继续推进。它通过以下几个阶段运行：

1. 基础工作：解析问题，分类任务，构建共享符号表和数据概要。
2. 方法验证：与基准模型对比筛选候选方案，并在全面实施前运行风险探测，检查数据覆盖范围和输出退化情况。
3. 代码与审查：生成Python或MATLAB代码，并要求以JSON格式进行语义审查（语法、可复现性等）后保存到磁盘。
4. 结果与冻结：生成包含论文中所有预期数值的 frozen_numbers.json 文件；任何后续更改都必须记录并重新冻结。
5. 论文撰写与审计：基于冻结快照起草章节，并在提交前通过三个独立审计（一致性、完整性、质量保证）。

适用人群

希望保持高严谨性、避免常见事务性错误，并确保最终提交内容完全可复现且符合竞赛规则的数学建模竞赛参与者，包括学生和研究人员。

主要亮点

• 人机协同：明确区分AI负责的机械正确性与用户负责的建模判断。
• 冻结数值规范：要求所有论文数值必须追溯至冻结的JSON快照，防止“过时”数据。
• 多审计层：论文在被认为可提交前，必须通过三个独立审计。
• 原生插件支持：可直接作为插件集成到Claude Code和Codex/ChatGPT中。
• 风险探测机制：在流程早期验证方法可行性与规模失败，避免后期重大转向。