name: mathmodel-skill description: 数学建模竞赛端到端工作流, 用于 CUMCM 国赛 / MCM·ICM 美赛 / 电工杯的选题、建模、求解、论文写作和终稿审核. Use when Codex helps with 建模、数模、CUMCM、国赛、MCM、ICM、美赛、电工杯、A题/B题/C题、竞赛论文、模型选择、灵敏度分析、摘要写作或终稿 review. 10 阶段 + 4 反馈层, 全程编号问答式, 支持 Codex Skills / AGENTS.md / plugin packaging, state 跨 Codex 与 Claude Code 互通.

mathmodel-skill — 数学建模 三竞赛通用 Skill (v6.0)

10 阶段把"3-4 天打 1 篇竞赛论文"工程化, 全程问答式——用户只需回答编号问题, 不必手敲 bash / python / json。每阶段产出经过 rubric 自评 + section-level patch 精修, 跨阶段一致性回检, 终局多视角 panel。三竞赛通用框架 + 国赛 91 篇真烘焙 + MCM/电工杯 seed v0.1。

v6 更新: Codex-native packaging (agents/openai.yaml + .codex-plugin/plugin.json), 按 OpenAI Codex Skills / AGENTS.md / Plugins 的官方形态组织入口, 同时保留 v5 的 harness-agnostic 与 Friendly Mode。

Codex V6 原生入口

Codex 优先按 skill 目录发现本文件:

• 用户级安装: $HOME/.agents/skills/mathmodel-skill/
• 项目级安装: <repo>/.agents/skills/mathmodel-skill/
• UI 元数据: agents/openai.yaml
• 插件分发元数据: .codex-plugin/plugin.json + skills/mathmodel-skill/SKILL.md shim
• 项目指导: AGENTS.md 仍可作为 repo / workspace 级 instructions, 但不是唯一入口

当 skill 已安装后, 用户可直接说"开始建模"或显式说"使用 $mathmodel-skill 开始建模"。

Harness 兼容 (Claude Code / Codex)

本 skill v6.0 以 Codex Skills 为一等入口, 同时保持 harness-agnostic 设计:

跨 harness 互通: day 1 用 Codex 跑 stage 0-2, day 2 切回 Claude Code 接着 stage 3+, 状态完全保留。详见 references/harness_compat.md。

问答式优先 (Friendly Mode)

核心原则: 用户只需回答编号问题, 不应被要求手敲 bash / python / json。

• 离散选项 (选竞赛 / 选题 / 选模型 / verdict 决策) → 必须用问答式
• 自由文本 (PDF 路径 / 截止时间) → 单行回复
• 状态读写 (decision_log.json) → agent 自动完成
• 每个 stage 的关键决策点都有 "让我决定 (推荐 X)" 兜底选项, 用户无脑选 4 也能跑通

Claude Code: 用 AskUserQuestion 工具; Codex: 用 markdown 编号列表 (1-4 + 兜底)。两者语义等价, 见 references/harness_compat.md §1。

路径解析协议 (任何阶段必读)

约定: <skill>/ = skill 安装目录, <cwd>/ = 用户 cwd, <comp>/ = 当前竞赛 (cumcm | mcm | diangong)。

Quick Start (用户首次说"开始建模")

1. 一段话介绍 (≤50 字): "启动数学建模工作流, 10 阶段 + 三竞赛, 全程问答式."

2. 一次性 5 问 (Claude Code: AskUserQuestion 单条消息; Codex: 5 个编号列表):
   - 竞赛 (cumcm 国赛 / mcm 美赛 / diangong 电工杯, 默认 cumcm)
   - 题号 (依竞赛: cumcm A-E / mcm A-F / diangong A-B; "未公布"亦可)
   - 队员数 + 各人擅长 (建模/编程/写作)
   - 截止时间 (ISO 字符串或 "距现在 X 小时")
   - 题目 PDF 路径 ("未公布"亦可)

3. 自动初始化 (agent 自动完成, 不要让用户编辑 json):
   - 不存在 cwd/state/decision_log.json → cp <skill>/templates/shared/decision_log.json
   - 写入 decision_log.competition = <选定竞赛>
   - 已存在 → 读 current_stage 字段决定恢复点

4. 加载 competitions/<comp>/winning_patterns.md 一次 (建立基线), 后续不再读

5. 进入 Stage 0 (references/stage_00_kickoff.md), 不重复问已问过的问题

已有 state 触发 (用户中途回到 skill):

1. 读 cwd/state/decision_log.json 的 competition 与 current_stage
2. 加载对应 stage_NN.md (按需结合 competitions/<comp>/* 内容)
3. 不重复读 winning_patterns

三竞赛 × 三模式 矩阵

时长 / 语言 / 模板 / 数据状态 由 competition 决定; token 预算 / 反馈深度由 mode 决定。两者正交组合。

模式自动推荐 (按距 deadline 剩余):

• 60h: standard (最后 6h 升 championship)

• 24-60h: standard
• 6-24h: fast 关键阶段 + championship 终审
• < 6h: 直接进 stage 9 (championship)

10 阶段索引

加载协议 (节省 token 的关键)

只在进入阶段 N 时加载 references/stage_NN_*.md。切勿一次性全读。

各阶段额外加载 (按需 + 按 competition 切换):

• 每阶段开头: cwd/state/decision_log.json 必读
• 每阶段结尾: cwd/state/decision_log.json 必写 (核心决策 + 5 维评分)
• stage 1-9: references/rubrics.md 对应章节 (L1 评分用)
• stage 1: competitions/<comp>/topic_specs.json (题号 → task_type 映射)
• stage 3, 5: references/model_catalog.md (跨竞赛通用)
• stage 5: per-Qi 评分跑完后调 scripts/score_artifact.py --mode aggregate_qi 聚合
• stage 8: competitions/<comp>/{winning_patterns, phrase_bank, abstract_template, paper_skeleton}.md
• stage 8 硬阈值评分: competitions/<comp>/empirical.json 注入 evidence (cumcm 真值; mcm/diangong seed 自动带 [seed: ...] 标记)
• stage 9: competitions/<comp>/anti_patterns.md (逐条对照) + rubric_overlay.json 的 panel_personas
• 触发反馈时: 对应 references/feedback_layer*.md
• harness 适配差异 (Codex 用户必读): references/harness_compat.md

收敛准则 (统一定义, 三处一致)

verdict 优先级 (从高到低):

weighted_mean = Σ(s_i × w_i) / Σ(w_i), 权重来自 config/dim_weights.json[<comp>][<task_type>] (clamp [0.7, 1.5]); task_type=default 全 1.0 等价老逻辑。

此定义在 feedback_layer1_critic.md / rubrics.md / scripts/score_artifact.py 三处必须完全一致。

状态持久化

每阶段:

• 开头: Read cwd/state/decision_log.json, 核对 current_stage 与上下文
• 结尾: 更新 stage 节点 (核心决策 + 摒弃方案 + 评分), current_stage += 1

decision_log.json v3.0 schema 关键字段 (与 templates/shared/decision_log.json 对齐):

• root: competition, task_type, mode, current_stage, budget, events
• stage_5 扩展: qi_count, qi_weights, qi_status
• scores 扩展: 含 weighted_mean, review_qis, refine_qis (stage 5 加权聚合用)

L2 跨阶段回检 (stage 5/6/8 末尾) 读这个文件主动找冲突, 触发定向回滚: 不重做整阶段, 只针对冲突点。

Token 预算纪律

• L1 Critic 强制 JSON 输出, ~500 token/次
• 精修策略: section-level patch (scripts/extract_diff.py), 不重传完整 artifact (省 ~60% token)
• references/ 与 competitions/ 文件懒加载, 本 SKILL.md 主体 ≤ 6k tokens
• 阶段完成后, artifact 摘要 + 关键数据 + 路径写入 decision_log, 不在上下文保留全文
• 超预算 30% → 自动降级 (championship → standard, standard → fast)

用户指令快捷

• "进入 stage N" / "重做 stage N" → 跳转
• "切到 mcm" / "切到 cumcm" / "切到 diangong" → 改 decision_log.competition (注意已有 state 兼容性)
• "升级到 championship" → 启用 L3 + L4 + red-team
• "切到 fast" → 关闭迭代
• "回退到 stage M" → 读 decision_log, 回退 current_stage 并清理 ≥M 节点
• "做 L2 回检" → 立即触发 cross-stage backtrack
• "看进度" → 输出 decision_log 摘要 + 当前评分

数据来源声明

• competitions/cumcm/: 91 篇真国赛 2023-2025 PDF 烘焙 (empirical.json 含 11 维 p25/p50/p75); 91 PDF 已存档不读, 仅蒸馏 markdown
• competitions/mcm/: SEED v0.1, 基于 COMAP 公开 scoring rubric + Outstanding Winner 公开模式手写; empirical 占位
• competitions/diangong/: SEED v0.1, 基于历年题量 + 公开评审标准估算; empirical 占位
• 通用模型清单 references/model_catalog.md 跨竞赛复用

后续如有 30+ MCM Outstanding 或电工杯一等奖 PDF, 可用 scripts/ingest_papers.py --competition <comp> 重新烘焙覆盖 seed。

与外部资源的关系

skill 自包含, 运行时不联网。下列离线资源可作人工补充:

• 国赛: personqianduixue/Math_Model, datawhalechina/intro-mathmodel, dxs.moe.gov.cn 优秀论文展廊
• 美赛: COMAP 官网 comap.com, MCM Tutorial (Frank Giordano)
• 电工杯: 中国电机工程学会论文集

mathmodel-skill (v6.0.0)

面向 CUMCM (国赛) / MCM·ICM (美赛) / 电工杯 三类数学建模竞赛的 10 阶段工程化流程。全程问答式——用户只需回答编号问题, 不必手敲 bash / python / json。同时支持 Codex 与 Claude Code, 状态文件跨 harness 互通。带 4 层反馈、跨阶段一致性回检、终局多视角评审、题型差异化加权、实测分位锚定打分。

这是什么

数学建模竞赛是 3-4 天完成 1 篇 25-40 页论文的紧迫工程, 流程从选题、建模、求解、灵敏度到写作很容易在某一环悄悄崩。这套 skill 把每个阶段的检查项、典型反模式、跨阶段一致性约束固化下来, 让大模型按固定流程跟使用者一起走, 减少返工。

v6 起三条设计:

• Codex-native packaging — 按 OpenAI Codex Skills / AGENTS.md / Plugins 的官方形态补齐 agents/openai.yaml 与 .codex-plugin/plugin.json, 适合放入 $HOME/.agents/skills/ 或项目 .agents/skills/。
• 全程问答式 (Friendly Mode) — 关键决策 (选题/选模型/verdict/refine) 全部以编号选项呈现, 用户输入 1-4 即可推进, 全程不需要手敲 bash / python / json。每个问题都有 "让我决定 (推荐 X)" 兜底, 完全无脑也能跑通。
• harness-agnostic — 同一份 skill, Codex 通过 skill 目录 / AGENTS.md / plugin 入口, Claude Code 通过 SKILL.md 入口, 状态文件 cwd/state/decision_log.json 跨 harness 互通。Day 1 在 Codex 跑 stage 0-2, Day 2 切回 Claude Code 接着 stage 3+, 完全不丢状态。

它不替选题、不替建模、不保证拿奖。作用是把节奏卡住, 把容易忘的细节固化, 把别人论文里反复出现的句式与命名提取出来供模仿。

蒸馏内容来源:

• CUMCM: 91 篇真国赛 2023-2025 获奖论文自动烘焙 (empirical.json 含 11 维 p25/p50/p75 实测分位)
• MCM/ICM: 基于 COMAP 公开 scoring rubric + Outstanding Winner 公开模式手写, seed v0.1
• 电工杯: 基于历年题量 + 公开评审标准估算, seed v0.1

支持的竞赛

切换方式: stage 0 kickoff 第一问选竞赛 → 自动写入 decision_log.competition → 后续阶段从 competitions/<comp>/ 加载对应 winning_patterns / phrase_bank / anti_patterns / abstract_template / paper_skeleton。

怎么用

Claude Code

git clone https://github.com/handsomeZR-netizen/mathmodel-skill.git ~/.claude/skills/mathmodel-skill
pip install -r ~/.claude/skills/mathmodel-skill/templates/shared/requirements.txt

启动 Claude Code, 跟 Claude 说"开始建模"或"打 mcm"。

Codex (推荐 V6 安装)

git clone https://github.com/handsomeZR-netizen/mathmodel-skill.git ~/.agents/skills/mathmodel-skill
pip install -r ~/.agents/skills/mathmodel-skill/templates/shared/requirements.txt
cd <your-team-workspace>
codex

跟 Codex 说"开始建模"或显式说"使用 $mathmodel-skill 开始建模"。Codex 会按 skill metadata 触发 SKILL.md; 如果当前 workspace 也有 AGENTS.md, Codex 会把它作为项目级 instructions 叠加。

项目级安装也可以:

mkdir -p .agents/skills
git clone https://github.com/handsomeZR-netizen/mathmodel-skill.git .agents/skills/mathmodel-skill

Codex 没有原生选项 UI 时, skill 自动回退成 markdown 编号列表 (1) ... 2) ... 4) 让我决定 (推荐 X)), 你回数字即可。

Codex Plugin 分发

V6 已包含 .codex-plugin/plugin.json, 可作为 Codex plugin 形式分发。该 manifest 按官方结构指向 ./skills/, 其中 skills/mathmodel-skill/SKILL.md 是薄 shim, 会继续加载根目录主 SKILL.md。GitHub Release 源码包即可作为云端分发物。

OpenAI 官方文档对齐点

• Codex 按层级读取 AGENTS.md, 用于项目级 instructions。
• Codex Skills 使用 SKILL.md frontmatter description 做触发, agents/openai.yaml 做 UI 元数据。
• Codex Plugins 可以声明并分发 skills, 适合团队复用。
• 后续维护 OpenAI/Codex 相关规则时, 优先用 OpenAI Docs MCP 或 OpenAI 官方文档核对。

之后的事

第一次会问 5 个问题 (竞赛、题号、队员、截止、PDF), 然后从 Stage 0 开始走。每个 stage 的关键决策点都会以编号问答呈现; 想偷懒就一直选"让我决定 (推荐 X)", 也能跑通。

跨 harness 接力: 状态全部在 cwd/state/decision_log.json, 队友换 harness 接着跑不丢进度。详见 references/harness_compat.md。

结构

SKILL.md                       # Claude Code 入口, 三竞赛矩阵 + 加载协议 + verdict 定义
AGENTS.md                      # Codex 项目级 instructions, 指向 SKILL.md + 说明 harness 差异
agents/openai.yaml             # Codex skill UI 元数据 + 默认 prompt
.codex-plugin/plugin.json      # Codex plugin 分发 manifest
skills/mathmodel-skill/        # Codex plugin 官方 skills/ 布局 shim
README.md                      # 当前文件
competitions/                  # 竞赛特化层
  cumcm/                       # 91 篇真烘焙: empirical.json + 蒸馏 markdown
    winning_patterns.md
    phrase_bank.md
    anti_patterns.md            # 32 条
    distilled_*.md              # 4 份蒸馏: 段落 / 命名 / 结构 / 格式
    empirical.json              # p25/p50/p75 进入 L1 critic prompt
    abstract_template.md        # 5 段式 + 完整示例
    paper_skeleton.md           # 22-25 页骨架
    rubric_overlay.json         # 国赛特化 dim
    topic_specs.json            # A-E + task_type 映射
  mcm/                         # SEED v0.1 - 1-page summary + Letter
    (同结构, 加 SEED 标记)
  diangong/                    # SEED v0.1 - 工程导向, 6-8 子问
    (同结构, 加 SEED 标记)
references/                    # 通用层 (跨竞赛共享)
  stage_00 ~ stage_09           # 10 阶段细则 (含 YAML frontmatter)
  feedback_layer1 ~ 4           # 自评 / 跨阶段回检 / 5 视角 panel / 防 gaming
  rubrics.md                    # 评分量表 (与 SKILL.md verdict 三处统一)
  model_catalog.md              # 60+ 模型按 10 类 + 历年题速查
  harness_compat.md             # Claude Code / Codex 适配协议 (问答式 + state 互通)
templates/
  latex/{cumcm,mcm,diangong}/   # 各竞赛 LaTeX 模板
  shared/                       # 跨竞赛通用
    decision_log.json           # 跨阶段状态 schema (含 v3.0 三新字段)
    assumption_table.md
    notation_table.md
    sensitivity_table.md
    code_starter/               # Python 起手代码 (优化/预测/评价/分类/仿真)
    requirements.txt
config/
  dim_weights.json              # 三竞赛 × 题型 × stage × dim → 权重表
scripts/
  score_artifact.py             # L1 评分 + verdict 重算 + empirical 注入 + per-Qi 聚合 + 题型加权
  extract_diff.py               # section-level patch 精修 (省 60% token)
  render_paper.py               # md → tex → pdf 三竞赛分支 (xelatex/pdflatex)
  ingest_papers.py              # PDF 烘焙 (cumcm 蒸馏后已存档; 后续 mcm/diangong 可用)
tests/fixtures/                 # score_artifact 单元测试样本

设计选择

• Codex-native packaging (v6): SKILL.md 仍是主 workflow, agents/openai.yaml 提供 Codex UI 元数据, .codex-plugin/plugin.json + skills/mathmodel-skill/ 提供 plugin 分发入口, AGENTS.md 只保留项目级 harness shim.
• Friendly Mode 优先: 关键决策必须以编号选项呈现, 每问都有 "让我决定 (推荐 X)" 兜底. 用户不必读 stage 文档, 不必编辑 json, 不必敲 bash. 目标是把"工程化流程"对用户的认知负担降到最低.
• harness-agnostic: skill 目录 / AGENTS.md / plugin / SKILL.md 多入口, decision_log.json 跨 harness 互通. 团队成员可以混用 Claude Code 与 Codex 接力打比赛.
• 10 阶段 / 4 反馈层 / 3 模式 / 3 竞赛 / 2 harness 正交组合: 每个轴向独立, 组合矩阵 ≥ 72 种行为. 切 harness 不影响 mode, 切竞赛不影响反馈层, 反之亦然.
• 评分锚定实测分位 (cumcm): 91 篇 p25/p50/p75 直接进入 L1 Critic prompt 的 evidence 字段, 而非"推荐 600-900 字"这种估计值
• Stage 5 per-Qi 加权聚合 (v3.0): 单 Qi 弱不再被全 stage 平均掩盖. pass_with_review 与 refine_partial 两个新 verdict 实现差异化降级 — Q2 单独 refine 不重做 Q1/Q3, 节省 ~60% 时间
• 题型 dim 权重: A 优化题强化模型 dim, C 数据题强化统计/灵敏度, MCM 全题型强化 communication, F 政策题加权 Letter. 权重 clamp [0.7, 1.5] 防过激.
• 路径协议严格: <skill>/ 内文件用 skill 相对路径, 用户产物 (state/results/figures/paper_workspace) 用 cwd 相对路径, 三竞赛特化文件用 competitions/<comp>/ 通配. harness 无关.
• token 纪律: section-level patch 精修, references/competitions 懒加载, decision_log 持久化, 早退阈值 (iter-1 全维 ≥9 即跳)

不做的事

不替选题、不替建模、不保证拿奖。蒸馏内容仅作模仿模板, MCM 与电工杯 seed v0.1 准确性低于 cumcm, 文件头部均有 SEED 标记。

实测

实测 cumcm fast 模式跑通一次约 30 min, 含 cwd/state/decision_log.json 写入和 panel 串行 5 视角. mcm 模式 1-page summary 与 Letter 部分需手工打磨, 自动产出仅作骨架.

数据来源

CUMCM 91 篇真烘焙:

• 教育部"中国大学生在线"数学建模论文展廊 (2023-2025, 32 篇)
• GitHub zhanwen/MathModel/国赛论文/2023年优秀论文/ (58 篇, A-F 全)
• GitHub Jackyleo-Zhao/cumcm-2025 (1 篇国二 C 题)
• 烘焙时间 2026-05-05; 91 篇 PDF 已存档不读, 仅蒸馏 markdown 与 empirical.json

MCM/ICM seed v0.1:

• COMAP 官方 scoring rubric (公开) + Outstanding Winner press release 总结段落
• MCM Tutorial (Frank Giordano) 等已发表备赛教材共识

电工杯 seed v0.1:

• 电工杯官网历年题目题量分析
• 中国电机工程学会公开论文评审标准 (工程类)

开发日志

• V1: 初次搭建, 10 阶段 + 4 反馈层
• V2: 审计修了 20 条 (协议矛盾、schema 漂移、脚本 bug)
• V3: 模板瘦身 + 91 篇 PDF 蒸馏成 4 份 markdown 后删除 PDF (释放 494MB)
• V4: 三竞赛通用化 (competitions/{cumcm,mcm,diangong}/); 评分系统升级 — empirical 真正进入 L1 prompt; Stage 5 per-Qi 加权聚合 + 差异化降级 (pass_with_review / refine_partial 两个新 verdict); 题型 dim 权重 (config/dim_weights.json); SKILL.md 由 9k 字节瘦身到 ≤ 6k.
• V5: harness-agnostic — 新增 AGENTS.md 作为 Codex CLI 入口, references/harness_compat.md 定义跨 harness 行为约定, decision_log.json 跨 Claude Code / Codex CLI 互通. Friendly Mode — 所有关键决策点 (选题/选模型/verdict/refine 决策) 强制问答式 (编号选项 + "让我决定" 兜底), 用户不再需要手敲 bash / python / 编辑 json. stage_00 / stage_01 / stage_05 已落实问答式样板, 其余 stage 由 SKILL.md 顶层协议统一约束.
• V6 (current): Codex-native packaging — 按 OpenAI