wuxinbo-bo/math-model-skills/problem-intelligence

问题情境智能解构

条件数据准备入口

在 问题分析.md 明确写出 数据模式: supplied/collected/none。有附件或采集数据时，递归登记真实数据文件、来源、字段、单位、缺失、异常、编码和潜在泄漏风险，并规划“审计—预处理—质量复核—冻结输入”；无数据时写明 预处理: skipped 及原因，不得虚构数据清洗过程。

稳定执行契约

• 执行目标：把原始赛题转化为可执行、可追溯的问题契约，为后续建模提供唯一问题口径。
• 调用参数：[competition-problem-text]。
• 权威输入：赛题原文、附件与用户补充要求；已有的用户数据和参考资料。
• 允许交付：问题分析.md，以及当前工作与必要的状态记录。
• 禁止写入：不得越权修改已冻结的上游事实、用户原始文件或本协议未授权的目录。
• 可用工具边界：Bash(*), Read, Write, Edit, Grep, Glob, WebSearch, WebFetch, Agent。
• 最小交付：完整子问题拆解、变量与约束表、数据需求、证据需求、歧义与风险清单。
• 恢复入口：优先读取当前工作、状态记录和已有产物，从最近一次通过门禁的位置继续。
• 失败回退：题面或附件不完整时明确缺口并采用保守假设；发现关键歧义时停止向下游传播未经确认的结论。
• 收口顺序：先核对输入，再完成产物，再运行本环节门禁，最后登记状态；门禁未通过不得宣告完成。

对以下赛题开展深度分析：$ARGUMENTS

常量

• COMPETITION / PROBLEM_ID / LANGUAGE — 从 Additional Parameters 查阅

• TOOLS — 默认 python

• CUSTOM_REQUIREMENTS — 用户自定义要求

输入

1. 赛题文本（$ARGUMENTS 或 用户数据/ 中的 PDF/Word 文件）

1. 附件数据（用户数据/*.csv 等）

⛔⛔⛔ 完成铁律（最高优先级，违反则当前环节失败）

当前环节务必产出 `问题分析.md`（≥ 1.5KB，完整的问题情境解构）。

⛔ 结束前必跑产出校验：

 
[ -f 问题分析.md ] && SZ=$(wc -c < 问题分析.md) || SZ=0
 
[ "$SZ" -ge 1500 ] && echo "✅ 问题分析.md ($SZ bytes)" \
 
    || echo "❌ 问题分析.md 缺失或过小 ($SZ bytes) — 必须补全后重新跑验证, 不要结束本步骤"
 

工作过程

工作节点 0：查阅赛题原文 + 上游规划

⛔ 赛题查阅优先级（严格按此次序，避免跳过）：

 
# 第一步：检查是否有 Vision OCR 提取的文本（公式最准确）
 
echo "=== 检查赛题文本 ==="
 
for f in 用户数据/*_extracted.txt; do
 
    [ -f "$f" ] || continue
 
    echo "找到提取文本: $f"
 
    head -3 "$f"  # 查看是否有 "Vision OCR" 标记
 
done
 

1. `用户数据/*_extracted.txt`（最高优先级） — 系统已用 Vision AI 识别 PDF 产出，公式为 LaTeX 格式（如 $k = 2 \times 10^7$），直接 Read 查阅

1. 用户数据/*.pdf — ⛔ 禁止直接用 Read 工具读 PDF！ PDF 的数学公式会变成乱码（如 7210 真实是 $7 \times 10^2$）。若未 _extracted.txt，用下面的脚本提取

1. $ARGUMENTS 文本 — 用户在建立工作流时输入的文字

⛔ 绝对避免直接 Read PDF 文件。 PDF 中的上标、下标、数学符号无法无误提取，会导致参数值错误（如 $10^7$ 变成 "107"）。务必读 _extracted.txt。

若 选题规划.md 出现（统计建模选题规划），优先查阅它，保证分析方向与选题规划保持一致：

 
[ -f 选题规划.md ] && echo "=== 选题规划.md exists ===" && cat 选题规划.md || echo "No 选题规划.md (normal for math modeling competitions)"
 

只有在没有 _extracted.txt 时才尝试提取：PDF 用 pdftotext 或 PyPDF2，Word 用 python-docx。

工作节点 1：赛题全文解读

提取：背景信息、关键问题、已知条件、评价标准。

⛔ 子问题数量识别准则（务必严格遵守）：

• 只有赛题中清晰标明编号的顶层问题才算子问题。常见格式：

• "问题一"、"问题二"、"问题三"（中文编号）

• "问题1"、"问题2"、"问题3"（阿拉伯数字）

• "Problem 1"、"Problem 2"（英文）

• "(一)"、"(二)"、"(三)"（带括号中文编号）

• 避免把子问题内部的小问 (1)(2)(3) 或 a/b/c 当成独立子问题——它们是同一个子问题的不同部分

• 避免把背景描述、数据阐明、提交要求当成子问题

• 若赛题只有 2 个问题，就是 2 个，避免凑成 3-4 个

• 识别完后在报告开头清晰标明写出："本赛题共 X 个子问题"

工作节点 1.5：假设敏感性预检（⛔ 必做，防止全盘方向错误）

关键原则：拿到题后先花时间做"假设预检"，避免急着建模。一个关键假设选错，后续全部结果都会偏离题目设计意图。

1. 识别模糊表述，列出多种解释：

逐句读题目，找出全部可能有歧义的表述。对各个模糊点，列出不少于两种合理解释：

 
模糊表述清单：
 
1. "[原文引用]"
 
   - 解释A: ...
 
   - 解释B: ...
 
   - 初步倾向: A/B，理由: ...
 
2. "[原文引用]"
 
   - 解释A: ...
 
   - 解释B: ...
 

常见歧义类别：

• 数量歧义："各类设备完成工程量"→ 每类 1 台 vs 每类多台并行？

• 界限歧义："优化方案"→ 只优化次序 vs 与此同时优化数量和次序？

• 约束歧义："不超过预算"→ 总预算 vs 每期预算？

• 时间歧义："完成时间最短"→ 最后一个完成的时间 vs 全部工作项总时间？

2. 对关键歧义做快速验算（两种解释都算一遍问题一）：

对影响最大的 1-2 个歧义点，用最简单的方法（手算/Excel/10 行 Python）把两种解释都在问题一上算一遍：

 
假设预检结果：
 
- 解释A: 问题一结果 = XXX
 
- 解释B: 问题一结果 = YYY
 
- 选择: B，理由: [结果更合理 / 更符合后续问题递进设计 / ...]
 

3. 核验问题递进性（最关键的校验手段）：

竞赛题的问题一般层层递进。在你选定的假设下，预判各个问题的结果应如何变化：

 
问题递进性预判：
 
- 问题一（基础场景）→ 结果: 基准值
 
- 问题二（增加约束/扩大规模）→ 结果应该: 比问题一差/好，因为...
 
- 问题三（进一步变化）→ 结果应该: 比问题二有明显变化，因为...
 
- 问题四（花钱/加资源）→ 结果应该: 比问题三明显改善，因为...
 

⛔ 递进性退化检测： 若在你的假设下，某个后续问题的结果和前一个问题几乎相同（新增的变量/资源对目标函数没有边际效益），阐明你的假设大概率有问题。立刻回头核验基础假设，避免继续往下做。

4. 在 问题分析.md 中明示登记假设预检结果：

 
## 假设敏感性预检
 
### 模糊表述及解释
 
[列出每个歧义点和选择的解释]
 
### 快速验算对比
 
[两种解释在问题一上的结果对比]
 
### 问题递进性预判
 
[每个问题的预期结果变化方向]
 
### 最终假设选择及理由
 
[选择了哪种解释，为什么]
 

工作节点 2：子问题拆解

各个子问题清晰标明：

• 输入/交付

• 难度（简单/中等/困难）

• 推荐方法

• 与其他子问题的关系（依赖/独立/递进）

工作节点 3：数据探索

核验 用户数据/ 中是否有附件数据。

有数据：分析数据规模、字段含义、数据质量、数据特征。

无数据（纯建模题）：标注"本题无附件数据"，在建模思路中阐明需自行构造参数/初始条件（如优化问题的约束参数、微分方程的初始值、蒙特卡洛的分布假设等）。

⛔ 数据探索的边界： 当前环节只做描述性统计和初步特征识别（数据规模、缺失率、分布形态、有关性矩阵、异常值检测），避免做数学机制构造。以下行为属于越界：

• 拟合模型（线性回归、周期函数拟合、移动平均预测等）→ 留给 model-formulation

• 写独立的 .py 文件留存到 程序/ 目录 → 留给 computational-realization

• 优化求解（遗传算法、线性规划等）→ 留给 computational-realization

• 若需用 Python 做简单的描述性统计（如 df.describe()、df.isnull().sum()），可用 Bash 内联一次性脚本，但避免建立独立文件

工作节点 4：变量定义与符号表

工作节点 5：建模思路规划

各个子问题 1-2 种候选方法，标注推荐方案。

常用模型类别：优化类、预测类、评价类、分类/聚类、图论/网络、随机/统计、微分方程。

工作节点 5.5：范例感知 + 图形与表格预规划

在交付分析报告前，优先查阅参考资料了解可用的图形与表格类别：

 
# 1. 读范例和套餐：了解各方法类型推荐的图表组合
 
cat 工具/figure_exemplars.md 2>/dev/null || cat skills/shared-scripts/figure_exemplars.md
 
# 2. 读选择指南：了解每种图表的适用场景、数据特征匹配、配色规则
 
cat 工具/figure_style_guide.md 2>/dev/null || cat skills/shared-scripts/figure_style_guide.md
 

图形与表格规划方法（按分析环节推导，避免套模板）：

先读 figure_exemplars.md 中的"按研究方法的图形与表格套餐"：

• 匹配套餐（A-F）→ 以必选项为基础，依据具体选题增减

• 不匹配 → 用下面的"数据形态推导法"

再读 figure_style_guide.md 的 "By data shape" 决策表，对各个分析环节做推导：

⛔ 每张图务必写明配方编号和选取理由，格式：

fig_xxx — 发散柱状图 (advanced #20) — 效应分解有正有负，发散柱状图能直观展示方向 — 章节: 实证结果

⛔ 配方编号是必填项！ 格式为 (类别 #编号)，如 (advanced #1)、(basic #3)、(empirical #1)、(competition #7)。系统会依据配方编号自动化注入相应的代码模板到 Meta-model-agent 的 prompt 中。若不写配方编号，Meta-model-agent 将无法获得配方代码，仅可从零写图形与表格脚本，质量无法保证。若图形与表格类别不在配方库中，写 (custom) 标注。

配方库是"菜单"不是"菜谱"——知道有哪些图形与表格可用，但依据你的数据和选题自主决定。若你认为某种不在配方库里的图形与表格更适合，也可用。

硬准则（只有这几条务必遵守）：

• 同一读者任务优先复用同一种清晰图形；禁止为了图表多样性强行更换图形类别

• 每张图务必指定具体类别（不可写"对比图"，要写"分组柱状图"或"发散柱状图"或"雷达图"）

• 不少于 1 张 DrawIO 技术路线图（放问题重述章节末尾 1_restatement.tex）

• 若涉及空间数据，务必有空间分布可视化（地图热力图/LISA图）

• 若涉及模型对比（≥3个模型），不少于用 2 种不同的对比图形与表格类别

• 若涉及前后/分组对比，考虑发散柱状图、Back-to-Back Bar、配对点图等方向性图形与表格

在 问题分析.md 中交付图形与表格预规划清单：

 
## 图表预规划
 
### 数据图表清单
 
对每张图写明：文件名 — 具体图表类型 (配方编号) — 展示什么数据/传达什么信息 — 放在哪个章节
 
示例（根据实际选题自由发挥，每张图必须带配方编号）：
 
-fig_xxx — 棒棒糖图 (advanced #1) — 方法排名对比 — 章节: 模型对比
 
-fig_yyy — 森林图 (empirical #1) — 回归系数及置信区间 — 章节: 实证结果
 
-fig_zzz — 可行域图 (competition #28) — 约束条件与最优解 — 章节: 模型求解
 
-TABLE_xxx — [表格描述] — [章节位置]
 
### DrawIO 架构图清单
 
对每张 DrawIO 图写明：编号 — 图类型 — 展示什么内容 — 放在哪个章节。
 
**⛔ 语言规则：DrawIO 图中的所有文字（节点标签、箭头标注、分组框标题）必须与论文语言一致。**
 
-中文赛题（国赛/数维杯中文/MathorCup/长三角/五一/华为杯等）→ 图中文字用中文
 
-英文赛题（MCM/ICM/APMCM/数维杯英文/认证杯英文等）→ 图中文字用英文
 
必须规划（所有赛题）：
 
-DrawIO-1: 技术路线图 — 整体求解思路 → 问题重述章节末尾 (1_restatement.tex)
 
竞赛多问题赛题额外规划（每个子问题都需要求解流程图）：
 
-DrawIO-2: 问题一求解流程图 → 问题流程图_1.drawio → 问题一章节开头
 
-DrawIO-3: 问题二求解流程图 → 问题流程图_2.drawio → 问题二章节开头
 
-DrawIO-4: 问题三求解流程图 → 问题流程图_3.drawio → 问题三章节开头
 
-...（有几个子问题就规划几张，一一对应）
 
按需规划（根据赛题特征判断，写明理由）：
 
-DrawIO-N: [模型架构图/变量关系图/算法流程图/Pipeline图/概念框架图] — [展示什么] → [章节位置] — 理由: [为什么需要这张图]
 
### 图表多样性检查
 
[列出每种图表类型的使用次数，确认无重复超过 3 次]
 
总计: ~X 数据图 + ~Y 表 + Z DrawIO + P TikZ + W AI Image
 

AI Image / DrawIO 图预规划

AI Image 只用于场景示意图（物理/工程类赛题的问题背景图）。技术路线图、求解过程图、架构图等结构化图形与表格采用 DrawIO。

AI Image 场景示意图（按需，仅物理/工程类赛题）：

• 仅当赛题有具体的物理/工程空间场景时才规划（光学、无人机、传感器网络、交通流、热传导、管道网络等）

• 纯数据/统计类赛题（蔬菜定价、人口预测等）不需

• 最多 1-2 张，放在问题重述章节（1_restatement.tex）的问题背景描述此后

DrawIO / TikZ / AI Image 图类别与适用场景（按赛题特征选取）：

速查：需公式→TikZ，需精确连线→TikZ，需写实渲染→AI Image，其余→DrawIO

⛔ TikZ vs AI Image 判定（几何示意图务必过这条准则）：

• 图中有圆柱体、球体、锥体、曲面等 3D 立体 → AI Image（TikZ 画 3D 透视会变形、标注重叠）

• 图中有反射/折射光线在 3D 空间中传播 → AI Image

• 图中只有 2D 平面元素（圆、三角形、直线、角度标注、坐标轴）→ TikZ

• 不确定时 → AI Image（比 TikZ 画 3D 安全得多）

⛔ 按赛题特征自动化判定（规划时务必逐条过一遍，符合条件的务必规划）：

一、全部赛题务必：

• 技术路线图（1张）— 展示整体求解思路

二、按赛题类别触发（逐条核验，符合就加）：

• 赛题有多个子问题 → 各个子问题都务必有一张求解过程图，放在相应章节开头。简单问题的过程图可简化（3-4 个节点），但不可省略

• 赛题涉及评价/排名/打分（AHP/熵权法/TOPSIS/模糊综合评价/灰色关联） → 加指标体系层次图（目标层→准则层→指标层）

• 赛题涉及深度学习/集成学习/多模型融合 → 加模型架构图（TikZ）

• 赛题涉及因果推断/路线分析/中介效应/SEM → 加变量关系图（TikZ）

• 赛题涉及自定义迭代算法（遗传算法/模拟退火/强化学习/粒子群/蚁群） → 加算法过程图（TikZ，带公式）

• 赛题涉及复杂多阶段数据预处理（爬虫→清洗→特征工程→建模） → 加 Pipeline 图

• 赛题需构建理论框架（经管/社科类，有假设推导） → 加概念框架图

• 赛题涉及图论/网络优化/物流配送/社交网络 → 加网络拓扑图或路线图

• 赛题涉及排程/调度/资源分配/生产计划 → 加甘特图

• 赛题涉及物理/工程空间场景（光学/无人机/传感器/交通/热传导） → 加场景示意图（AI Image）或几何示意图（TikZ）

• 赛题有 ≥3 种候选模型需对比选取 → 加模型选取决策树（展示选模型的逻辑）

• 赛题涉及空间数据/地理分布 → 加空间分布示意图（可用 matplotlib 地图热力图代替）

⛔ 每张 DrawIO 图务必在清单中写明文件名，格式为 fig_xxx.drawio，系统逻辑制图 环节会按此清单逐条产出并校验。

在 问题分析.md 中交付：

 
### AI Image / DrawIO / TikZ 图清单
 
**语言: [中文/English]**（与论文语言一致，图中所有文字使用此语言）
 
DrawIO 图（技术路线图/流程图/Pipeline/指标体系/决策树/甘特图/网络图）：
 
- DrawIO-1: 技术路线图 → 技术路线图.drawio → 问题重述章节末尾 (1_restatement.tex) [必须]
 
- DrawIO-2: 问题一求解流程图 → 问题流程图_1.drawio → 问题一章节开头 [按需]
 
- DrawIO-3: 指标体系层次图 → fig_index_hierarchy.drawio → 模型构建章节 [评价类必须]
 
- DrawIO-4: 数据处理Pipeline → fig_pipeline.drawio → 数据预处理章节 [按需]
 
- DrawIO-5: 模型选择决策树 → fig_model_decision.drawio → 模型构建章节 [按需]
 
- DrawIO-6: 甘特图/调度方案 → fig_gantt.drawio → 求解结果章节 [调度类必须]
 
- DrawIO-7: 网络拓扑/路径图 → fig_network.drawio → 问题描述或结果章节 [图论类必须]
 
- DrawIO-8: 概念框架图 → fig_framework.drawio → 理论分析章节 [按需]
 
TikZ 图（模型架构图/变量关系图/算法流程图/几何示意图，需要精确连线或公式）：
 
- TikZ-1: [图类型] → 结构示意图.tex → [章节位置] [按需]
 
AI Image 场景示意图（仅物理/工程类赛题）：
 
- AIIMG-1: {场景名}示意图 → 场景示意图.png → 问题重述章节 (1_restatement.tex) [按需]
 
总计: N 张 DrawIO + P 张 TikZ + M 张 AI Image
 

工作节点 5.6：⛔ 问题情境解构自检协议（逐句扫描，通用防遗漏）

关键问题：问题情境解构遗漏一个关键句子，后续建模/编码/论文全部基于错误前提，不可逆地传播到终版结果。

以下是完全通用的自检过程，不依赖任何具体赛题。务必逐句实施。

第一步：逐句拆解题目

把赛题原文按句号/分号/冒号切成独立的句子单元，每一句都打上标签：

 
## 题目逐句拆解表
 
| 句号 | 原文句子 | 句子类型 | 提取的要素 |
 
|------|---------|----------|-----------|
 
| DISCOVERY | "..." | 背景/约束/决策/数据/目标 | 名词+动词+数值 |
 
| FORMULATION | "..." | 背景/约束/决策/数据/目标 | 名词+动词+数值 |
 

句子类别分类（6种，务必每句标一类）：

• 背景：介绍问题场景，无需建模

• 约束：限定条件（不超过/不少于/务必），务必在模型中有相应不等式/等式

• 决策：题目问"怎么选/如何规划/求最优"，务必识别为决策变量

• 数据：给出具体数值/公式/分布，务必代入模型

• 目标：题目终版要求的量（最大化/最小化/求解），务必是目标函数或交付

• 机制：描述系统的动态行为/可选操作（"可充电"、"可重新分配"、"故障时"），最容易被遗漏，务必尤其标注

第二步：对各个句子做五问

对各个句子，务必回答以下五个问题（不可跳过）：

 
## 句子级五问审查
 
### DISCOVERY: "[原文]"
 
1.**这句话提到了什么实体？** （列出所有名词）
 
2.**这些实体是否都出现在我的变量定义表中？** （必须对照 Step 4 的符号表逐一核对）
 
3.**这句话描述的机制/行为是否在我的模型中有对应表达？** （动词→数学表达）
 
4.**如果这句话有数值，是否代入了模型？** 如果没数值，是否需要假设？假设值是多少？
 
5.**这句话如果被完全忽略，会导致什么后果？** （严重性评估：致命/严重/轻微）
 

⛔ 尤其提示：

• 出现一次的关键词最容易被遗漏（如"补给点"、"中转"、"休息"、"故障"只出现一句但改变建模本质）

• 模糊量词务必量化（如"较长时间"、"充足远"、"适当"务必给出具体阈值假设）

• 隐含的"可选"操作务必建模为决策变量（如"可充电"不是"务必充电"）

第三步：反向推理核验（从模型找回题目）

列出我当前的模型涵盖了什么，随后反向对照题目：

 
## 反向对照表
 
| 我的模型中的组件 | 对应题目哪一句/哪几句 | 如果题目没说我为什么要加？ |
 
|-----------------|---------------------|---------------------------|
 
## 题目中未覆盖的组件
 
| 题目句子 | 我的模型是否覆盖？ | 不覆盖的后果 |
 
|---------|-------------------|-------------|
 

⛔ 准则：

• 题目的各个句子（除纯背景外）务必不少于映射到模型的一个组件