# MathModel Skill：为AI编程助手打造的数学建模工作流工具包 > 一套面向数学建模竞赛的Agent原生技能工作流，支持Trae、Claude Code和Codex，实现从读题拆题到论文生成的完整流程 - 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm) - 发布时间: 2026-05-31T02:45:05.000Z - 最近活动: 2026-05-31T03:22:40.245Z - 热度: 152.4 - 关键词: 数学建模, AI工作流, Agent技能, Trae, Claude Code, Codex, CUMCM, 论文生成, 自动化工具 - 页面链接: https://www.zingnex.cn/forum/thread/mathmodel-skill-ai - Canonical: https://www.zingnex.cn/forum/thread/mathmodel-skill-ai - Markdown 来源: ingested_event --- ## 原作者与来源 - **原作者/维护者：** yushui2022 - **来源平台：** GitHub - **原始标题：** MathModel-Skill - **原始链接：** https://github.com/yushui2022/MathModel-Skill - **发布时间：** 2026年5月31日 --- ## 背景：数学建模竞赛的痛点 数学建模竞赛（如全国大学生数学建模竞赛CUMCM）对参赛者的综合能力要求极高。参赛者需要在有限时间内完成从问题理解、模型构建、代码实现、结果验证到论文撰写的全流程工作。传统方式下，这不仅要求选手具备扎实的数学功底和编程能力，还需要大量的时间投入在格式排版和论文组织上。 随着AI编程助手（如Trae、Claude Code、Codex）的普及，许多参赛者开始尝试借助AI提升效率。然而，简单的"一键生成论文"往往流于表面，缺乏严谨的建模过程和可验证的结果支撑，难以在竞赛中取得好成绩。 --- ## MathModel Skill 是什么 MathModel Skill 是一套专门为数学建模竞赛设计的Agent原生技能工作流工具包。它不是简单的黑盒论文生成器，而是将数学建模的完整流程固化为可复用的Agent能力，让AI助手明确知道： - 如何正确理解赛题要求 - 代码应该写在哪里、如何组织 - 结果如何沉淀和验证 - 正文如何引用证据和数据 整个工作流遵循清晰的阶段划分：读题 → 拆题 → 模型路线 → 判断附件性质 → 生成/修改赛题专用代码 → 运行代码 → 产出真实图表/表格/结果 → 证据门禁 → 正式大纲 → Agent全局写作 → Word排版 → 格式门禁 → 最终QA。 --- ## 核心设计理念 ### 1. 工作流契约机制 项目通过少量JSON文件沉淀关键信息，包括模型路线、评分证据、数据处理计划、图表计划和结果证据。这些JSON文件作为不同技能之间的"交接单"，确保上下文能够稳定传递，避免因对话历史过长导致的信息丢失。 ### 2. 证据驱动的写作流程 与传统AI写作工具不同，MathModel Skill强调"先证据、后写作"。在生成论文正文之前，系统会要求通过"证据门禁"，确保每个子问题都有对应的结果、指标、图表、表格和结论支撑。只有证据链完整，才能进入正式写作阶段。 ### 3. 平台原生适配 工具包针对三大主流AI编程助手分别优化： - **Trae**：原生 `.trae/skills/` 结构 - **Claude Code**：`.claude/skills/` + `CLAUDE.md` 配置 - **Codex**：`skills/` + `AGENTS.md` 配置 用户只需下载对应平台的zip包，解压到项目目录即可使用。 --- ## 关键技能模块 ### paper-workflow-orchestrator（总入口） 作为整个工作流的总指挥，负责判断当前所处的阶段，并智能路由到相应的子技能。用户只需对Agent说"开始生成数学建模论文"，系统就会自动启动完整流程。 ### paper-formal-writer（正式论文写作） 在证据门禁通过后，基于`paper_outline.json`中定义的章节结构、字数要求和证据引用契约，生成符合CUMCM格式规范的正式论文。输出包括Markdown源稿和Word文档，并自动检查标题层级（1/1.1/1.1.1）、字数范围（18000-25000字）、图表引用和参考文献格式。 ### 代码生成与管理 所有赛题专用代码统一放置在`paper_output/code/`目录下，按功能分为： - `data_processing/`：数据处理代码 - `visualization/`：绘图代码 - `modeling/`：建模代码（按问题q1/q2/...组织） - `qa/`：检查验证代码 --- ## 输出目录结构 所有生成物都有固定的存放位置，便于管理和复核： ``` paper_output/ ├── step1/ # 题意分析与模型路线 ├── plan/ # 各类计划文件 ├── code/ # 赛题专用代码 ├── results/ # 模型结果与指标 ├── tables/ # 生成的表格 ├── figures/ # 生成的图表 ├── qa/ # 证据门禁报告 ├── final_paper_source.md # Markdown源稿 ├── final_paper.docx # 正式Word文档 └── format_check_report.md # 格式门禁报告 ``` --- ## 实际应用效果 仓库已提供了一个CUMCM 2024 B题的完整生成样例，包含： - 正式的Word论文文档 - Agent生成的Markdown源稿 - 证据门禁检查报告 - 格式门禁检查报告 - 所有图表、表格和赛题专用代码 这展示了从赛题理解、代码编写、结果验证到论文生成的完整链路，证明了该工作流在实际竞赛场景中的可行性。 --- ## 技术实现细节 项目采用Python作为主要实现语言，依赖包括数据处理、可视化和文档生成的常用库。Skill包本身使用Markdown格式定义，配合JSON配置文件，既保证了可读性，又便于机器解析。 值得注意的是，项目明确区分了"skill包"（可复用的能力）和"当前赛题产物"（一次性生成的内容），避免了代码混淆和路径污染。 --- ## 总结与启示 MathModel Skill代表了一种更成熟的AI辅助工作流设计思路：不是让AI直接生成最终结果，而是通过结构化的流程设计，让AI在正确的阶段做正确的事，并确保每一步都有可追溯的证据支撑。 对于参加数学建模竞赛的学生来说，这套工具可以显著降低重复性工作负担，让他们把更多精力集中在模型创新和问题求解上。同时，证据门禁和格式门禁的机制也保证了输出质量的下限。 对于AI工作流设计者来说，该项目的"契约驱动"和"证据优先"理念值得借鉴，尤其是在需要严谨性和可追溯性的场景中。