القائمة
Meta-model-agent 将数学机制落地为可运行程序、数值实验、结果合同与可复核证据。适用于计算实验实现。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
Meta-model-agent 致力于辅助研究者与参赛团队完成高质量数学建模研究和论文产出，提供从问题理解、模型构建、计算实验、证据可视化到论文写作、冠军级多轮审稿与提交验收的完整工程支持。适用于 CUMCM、51MCM、MCM/ICM 及同类数模研究任务，可用于启动或恢复项目、按证据门禁推进、修复薄弱环节并形成可复现、可验证、可提交的高质量数模论文。
Meta-model-agent 将计算成果转换为可发表的数据图形、表格和排版引用。适用于证据图谱构建。
Meta-model-agent 完成编译、版式、匿名、页数、引用与提交前合规验收。适用于提交质量验收。
Meta-model-agent 整合模型、程序、结果、图形与引用为完整中文竞赛文稿。适用于竞赛文稿集成。
Meta-model-agent 将竞赛题面转换为子问题、变量、约束、证据和后续工作契约。适用于问题情境解构与建模前置分析。
Meta-model-agent 构建技术路线、方法关系、系统架构与流程示意资产。适用于系统逻辑制图。
| name | computational-realization |
| description | Meta-model-agent 将数学机制落地为可运行程序、数值实验、结果合同与可复核证据。适用于计算实验实现。 |
依据建模报告编写代码并实施计算：$ARGUMENTS
这不是简单工作项。 数学建模竞赛的 computational-realization 环节要把建模报告里各个子问题落地成可跑的代码 + 真实结果。
子问题数量由 建模报告.md 决定（一问也可能, 多问也可能）, 不是固定的。
⛔ 判定你是否真的做完了, 在 end_turn 此前自问：
建模报告.md 里有几问？你是不是真的为每问都写了独立的 .py？
图表/ 下是不是每问都有相应的 问题_*_结果.json 且文件非空？
计算结果.md 是不是已经出现, 涵盖每问的方法和数值结果？
跑过完成铁律最后那段 bash 校验脚本了吗？
任何一项答 "否" → 避免 end_turn, 继续干活。 引擎会反复检测这些产物, 没产出会自动化重新拉你回来重做, 与其被动重做不如一次做完。
⛔ 避免用 "我已经做了重点工作, 剩下的晚点再说" 的心态退出。
"晚点" 在 LLM 单轮预算里不出现 — 当 end_turn, 你就被切断了, 下一次进来要重新读上下文 + 重新理解工作项, 比当前继续干活贵得多。
建模报告.md — 建模报告（务必出现）
问题分析.md — 问题情境解构报告
选题规划.md — 选题规划（统计建模，含图形与表格预规划）
用户数据/ — 赛题附件数据
当前环节务必产出 计算结果.md（≥ 1KB）+ 程序/主程序.py（≥ 500 字节）+ 不少于 1 个 图表/*.json。
⛔ 结束前必跑产出校验：
PASS=true
[ -f 计算结果.md ] && SZ=$(wc -c < 计算结果.md) || SZ=0
[ "$SZ" -ge 1024 ] && echo "✅ 计算结果.md ($SZ)" || { echo "❌ 计算结果.md 缺失或过小"; PASS=false; }
[ -f 程序/主程序.py ] && CSZ=$(wc -c < 程序/主程序.py) || CSZ=0
[ "$CSZ" -ge 500 ] && echo "✅ 程序/主程序.py ($CSZ)" || { echo "❌ 程序/主程序.py 缺失"; PASS=false; }
JSON_COUNT=$(ls 图表/*.json 2>/dev/null | wc -l)
[ "$JSON_COUNT" -ge 1 ] && echo "✅ 图表/*.json ($JSON_COUNT)" || { echo "❌ 图表/*.json 缺失"; PASS=false; }
# 子问题数对照: 建模报告里有几问, 程序/ 和 图表/ 就要有几份对应产出
EXPECTED_PROBS=$(grep -cE '^##\s*问题[一二三四五六七八九十0-9]|^###\s*问题[一二三四五六七八九十0-9]|^##\s*Problem\s*[0-9]' 建模报告.md 2>/dev/null || echo 0)
ACTUAL_CODE=$(ls 程序/problem*.py 2>/dev/null | wc -l)
ACTUAL_JSON=$(ls 图表/问题_*_结果.json 2>/dev/null | wc -l)
[ "$EXPECTED_PROBS" -gt 0 ] && {
[ "$ACTUAL_CODE" -ge "$EXPECTED_PROBS" ] || { echo "❌ 建模报告 $EXPECTED_PROBS 问, 但只有 $ACTUAL_CODE 个 problem*.py"; PASS=false; }
[ "$ACTUAL_JSON" -ge "$EXPECTED_PROBS" ] || { echo "❌ 建模报告 $EXPECTED_PROBS 问, 但只有 $ACTUAL_JSON 个 问题_*_结果.json"; PASS=false; }
}
[ "$PASS" != true ] && echo "⛔ 产出验证失败 — 必须补全所有缺失项后重新跑验证, 禁止 end_turn 结束本步骤"
核验 计算结果.md、程序/*.py、图表/*_结果.json 是否已出现：
计算结果.md 完整（>1KB）-> 跳到结果校验
程序/*.py 出现但无 计算结果.md -> 直接运行已有代码
什么都没有 -> 从头启动
从 建模报告.md 提取各个子问题的求解算法、数学公式、输入交付标准、所需 Python 库。
⛔ 防错复核（必做）： 查阅 references/error_prevention_code.md，依据 建模报告.md 末尾标注的题型，对照相应章节的"务必校验"和"常见 Bug"条目。编码过程中按项核验。
⛔ MANDATORY: 交付实现清单，后续逐项打勾：
IMPLEMENTATION CHECKLIST (from 建模报告.md):
[ ] 问题1: [算法名] — 输入: [xxx], 输出: [yyy], 库: [zzz]
[ ] 问题2: [算法名] — 输入: [xxx], 输出: [yyy], 库: [zzz]
[ ] 问题3: [算法名] — 输入: [xxx], 输出: [yyy], 库: [zzz]
[ ] 灵敏度分析: [参数列表]
每完成一个子问题，更新清单运行状态。
⛔ MANDATORY: 查阅规划文档的图形与表格预规划，了解下一步 evidence-visualization 需产出哪些图形与表格。
computational-realization 不产出 PDF 图形与表格，但需保证交付的 JSON 数据能支撑这些图形与表格。
echo "=== 图表预规划 ==="
for plan in 选题规划.md 问题分析.md 建模报告.md; do
[ -f "$plan" ] || continue
echo "--- $plan ---"
grep -i 'fig_\|图表\|TABLE_\|TikZ\|预规划\|figure' "$plan" | head -30
done
登记规划中的图形与表格清单，保证各个图形与表格相应的数据都会在分析过程中交付到 JSON。
⛔ 图形与表格语言准则： 中文论文（统计建模/数模竞赛）的图形与表格 axis label、legend、annotation 务必用中文。举例而言 ax.set_xlabel('迭代次数') 而不是 ax.set_xlabel('Iterations')。但这是 evidence-visualization 的事——computational-realization 只需保证 JSON 数据的 key 名有意义即可。
核验 Python，安装必要库（numpy, pandas, scipy, matplotlib, scikit-learn, statsmodels, networkx）。
⛔ 写任何求解代码此前，先写一个独立的数据校验脚本，确认数据查阅无误：
# 程序/data_verify.py — 数据读取验证（先跑这个，再写求解代码）
import pandas as pd
import os, glob
data_files = glob.glob('用户数据/*.csv') + glob.glob('用户数据/*.xlsx') + glob.glob('用户数据/*.xls')
print(f"找到 {len(data_files)} 个数据文件")
for f in data_files:
print(f"\n=== {os.path.basename(f)} ===")
try:
if f.endswith('.csv'):
# 尝试多种编码
for enc in ['utf-8', 'gbk', 'gb2312', 'latin-1']:
try:
df = pd.read_csv(f, encoding=enc)
print(f" 编码: {enc}")
break
except UnicodeDecodeError:
continue
else:
df = pd.read_excel(f)
print(f" 形状: {df.shape}")
print(f" 列名: {list(df.columns)}")
print(f" 数据类型:\n{df.dtypes}")
print(f" 缺失值:\n{df.isnull().sum()[df.isnull().sum() > 0]}")
print(f" 前3行:\n{df.head(3)}")
# 数值列的基本统计
num_cols = df.select_dtypes(include='number').columns
if len(num_cols) > 0:
print(f" 数值统计:\n{df[num_cols].describe()}")
# 检查异常值
for col in num_cols:
if df[col].min() < 0 and '价格' in col or '数量' in col or '距离' in col:
print(f" ⚠ {col} 有负值（{df[col].min()}），检查是否合理")
if df[col].isnull().sum() > len(df) * 0.5:
print(f" ⚠ {col} 缺失率 > 50%")
except Exception as e:
print(f" ❌ 读取失败: {e}")
实施 data_verify.py 后，确认以下几点再继续：
全部数据文件都能无误查阅（编码、分隔符无误）
列名和题目描述保持一致（不是乱码或错位）
数据规模和题目描述保持一致（行数、列数）
缺失值和异常值已识别，后续代码中有处理方案
程序/
main.py # 主程序（串联所有子问题）
problem1.py # 子问题 1
problem2.py # 子问题 2
通用工具.py # 公共工具
依赖清单.txt
问题本质： 程序/ 下的脚本互相 import 时，从不同目录调用会导致 sys.path 不涵盖 程序/，
报 ModuleNotFoundError: No module named 'utils' / 'problem1' 等。这是历史上最高频的失败缘由。
⛔ 准则 1：各个 .py 文件顶部务必有自举 import 头（在全部 import 此前）：
# ⛔ 自举模块路径（让 sibling import 不依赖调用方式）
import os, sys
_HERE = os.path.dirname(os.path.abspath(__file__))
if _HERE not in sys.path:
sys.path.insert(0, _HERE)
# 之后才能写其它 import
import numpy as np
import 通用工具 as u # 现在 通用工具.py 跟当前文件同目录就一定能 import 到
⛔ 准则 2：实施任何 程序/ 下的脚本务必 cd code && python xxx.py，禁止 python 程序/xxx.py
# ✅ 正确（无论 utils 在不在都能跑）
cd code && python data_verify.py && cd ..
cd code && python problem1.py && cd ..
cd code && python main.py && cd ..
# ❌ 错误：sys.path 不含 程序/，sibling import 会爆 ModuleNotFoundError
python 程序/problem1.py
python -m code.problem1
⛔ 准则 3：写入子问题脚本前先写 程序/通用工具.py 雏形（哪怕暂时为空），避免"先写 problem1 → import utils → utils 还没建立"的瞬时错。
⛔ 准则 4：跑代码务必用 set -e + 明示核验 exit code，不可在脚本失败后假装结果有效：
cd code
set -e
python data_verify.py 2>&1 | tee ../临时文件/data_verify.log
python problem1.py 2>&1 | tee ../临时文件/problem1.log
[ -f ../图表/问题_1_结果.json ] || { echo "❌ problem1 未产出结果 JSON"; exit 1; }
cd ..
务必按次序逐问求解：编写 -> 实施 -> 校验 -> 下一问。
⛔ Phase 4.0: 上游一致性核验（启动编码前必做）：
echo "=== 上游一致性检查 ==="
# 检查 建模报告.md 是否存在
[ -f 建模报告.md ] && echo "✅ 建模报告.md 存在" || { echo "❌ 建模报告.md 不存在！"; exit 1; }
# 提取子问题数量
PROB_COUNT=$(grep -c '问题[一二三四五六七八九十0-9]' 问题分析.md 2>/dev/null || echo 0)
MODEL_COUNT=$(grep -c '问题[一二三四五六七八九十0-9]' 建模报告.md 2>/dev/null || echo 0)
echo "问题情境解构子问题数: $PROB_COUNT, 建模报告子问题数: $MODEL_COUNT"
[ "$MODEL_COUNT" -lt "$PROB_COUNT" ] && echo "⚠ 建模报告覆盖的子问题数少于问题情境解构，请检查是否遗漏"
# 提取建模报告推荐的方法
echo "--- 建模报告推荐方法 ---"
grep -i '算法\|方法\|模型.*选择\|求解.*策略' 建模报告.md 2>/dev/null | head -10
echo "--- 计算实验实现时必须使用上述方法，或明确说明替代理由 ---"
代码性能要求：
优先采用 numpy 向量化运算，避免 Python 原生 for 循环遍历大数据
数据量大（>1000 行）务必用向量化或矩阵运算
各个脚本实施前后打印进度信息
若代码跑超过 3 分钟，立即重写优化版本
自主判定数据来源：
有附件数据（用户数据/*.csv 出现）：从文件查阅
无附件数据（纯建模题）：依据 建模报告.md 自行构造参数
各个子问题：
编写独立 Python 文件
实施并核验交付
校验结果合理性
留存结果到 图表/问题_N_结果.json
结果异常则调整代码重跑
**这是当前环节防失败的关键。每完成一问的代码 + JSON 后，务必按下面过程做自检，
满足要求才能转入下一问。** 避免写完全部问题再统一自检 — 那样发现问题要回头改, 浪费 turn 预算。
各个子问题跑完, 立即按以下次序 Read 自检文件并按其要求校验：
第 1 步：必读（全部题型）
Read references/checks/_index.md # 自检总索引（仅第 1 问读, 后续可跳过）
Read references/checks/consistency.md # 建模-代码契约 + 物理参数引用 + 自动化约束验证代码
Read references/checks/sanity_check.md # 自动数值审查 + 9 问背景审查 + 编程 Bug 排查
第 2 步：依据本问的题型选读 1 个分类自检文件
| 本问类别 | Read 哪个 |
|---|---|
| 优化类（调度/选址/路线/分配/规划/求最优值）| references/checks/optimization.md（含 5 层求解 + 结构性校验）|
| 预测类（时间序列/回归/分类）| references/checks/prediction.md |
| 评价类（TOPSIS/AHP/熵权法/排名打分）| references/checks/evaluation.md |
| 物理/几何（碰撞检测/动力学/ODE/SAT 检测）| references/checks/physical.md |
| 统计/实证/图论 | references/checks/sanity_check.md 末尾的 S/G 区段已涵盖 |
第 3 步：把自检结论写到 临时文件/问题_N_复核.md，每条 ✅/⚠️/❌
第 4 步：处理 ❌
任何 ❌ → 修代码 → 重跑 → 重新自检
同一问最多修 3 轮，3 轮还不通过 → 在 计算结果.md 中标注"建模需修正"，继续下一问
第 5 步：全部 ✅ 或最多 ⚠️ → 把本问的方法 + 关键结果写到 计算结果.md 相应章节，立即下一问
⛔ 关键纪律：
自检时不可依赖记忆里的准则，务必明示 Read 上面列出的 .md 文件 — 这是本拆分设计的目的
每问都要走完 Phase 4.5 才能启动下一问，避免跳过、避免合并、避免等到全部问都跑完再统一自检
程序/主程序.py 串联全部子问题，汇总结果到 图表/全部结果.json。
主程序和逐问程序完成并运行成功后，刷新代码清单：
python 工具/build_code_appendix.py --workspace . --manifest-only
程序/code_manifest.json 必须登记当前入口、全部源文件、代码行数、用途、是否要求进入附录以及 SHA-256。修改任何源程序后都必须重新生成，陈旧哈希不得通过 COMPUTATION 门禁。
依据题目类别，选取合适的模型检验方式。不是全部题都需灵敏度分析 — 自己判定：
优化类（调度/选址/路线）→ 灵敏度分析：关键参数 ±20% 对目标函数的影响
预测类（时间序列/回归）→ 交叉校验 + 残差分析 + 多模型对比
评价类（TOPSIS/AHP/熵权法）→ 权重稳定性分析：微调权重看排名是否变化
图论/网络类 → 参数灵敏度（边权/容量变化对最优解的影响）
统计/实证类 → 稳健性检验（替换变量、子样本、工具变量）
若判定需灵敏度分析，实施下列环节：
Read 建模报告.md for the sensitivity analysis plan. For every key parameter identified:
Write 程序/sensitivity_analysis.py that varies the parameter across a range (e.g., ±20% in 10 steps)
For every parameter value, re-run the model and record the objective function value
Save outcomes to 图表/灵敏度结果.json:
{
"parameter_name": {"values": [...], "objective": [...]},
"parameter_name2": {"values": [...], "objective": [...]}
}
This data is required by evidence-visualization to produce tornado charts and sensitivity curves, and by manuscript-synthesis for the 灵敏度分析 chapter.
数值界限：概率在[0,1]、非负数、非 NaN/Inf
一致性：子问题间不矛盾
收敛性：优化器是否收敛
统计检验：R2在[0,1]、p值在[0,1]
⛔ MANDATORY: 对照 Phase 1 的实现清单，逐项校验：
echo "=== 实现清单对照 ==="
echo "检查每个子问题的结果文件是否存在且非空："
for f in 图表/问题_*_结果.json 图表/全部结果.json; do
if [ -f "$f" ] && [ -s "$f" ]; then
echo " ✅ $f ($(wc -c < "$f") bytes)"
else
echo " ❌ $f — MISSING or EMPTY"
fi
done
# 灵敏度分析数据是软性要求(优化类必做, 其他题型可选)
if [ -f 图表/灵敏度结果.json ]; then
echo " ✅ 图表/灵敏度结果.json (灵敏度分析数据)"
elif [ -f 建模报告.md ] && grep -qE '灵敏度|sensitivity' 建模报告.md; then
echo " ⚠ 图表/灵敏度结果.json — 建模报告提到灵敏度但未产出, 优化类必须补"
fi
echo ""
echo "检查代码文件是否存在："
for f in 程序/*.py; do
[ -f "$f" ] && echo " ✅ $(basename $f)" || echo " ❌ $(basename $f)"
done
若有 ❌，务必回去补完再继续。 尤其注意：
图表/全部结果.json 务必出现（evidence-visualization 依赖它画图）
各个子问题的 图表/问题_N_结果.json 务必出现
图表/灵敏度结果.json 仅当题目/建模报告涉及灵敏度分析时务必（优化类必做）
留存到 计算结果.md：各个子问题的方法、关键结果、数据文件路线、代码文件清单。
保证全部分析结果都留存为 JSON/CSV，供下一步 evidence-visualization 查阅画图：
echo "=== 数据输出完整性检查 ==="
echo ""
echo "JSON 数据文件（evidence-visualization 的输入）："
ls -la 图表/*.json 2>/dev/null || echo " (无)"
echo ""
echo "TABLE 文件："
ls -la 图表/TABLE_*.tex 2>/dev/null || echo " (无)"
⛔ MANDATORY：
MISSING=0
# 全部结果.json 必须存在
if [ -f 图表/全部结果.json ] && [ -s 图表/全部结果.json ]; then
echo " ✅ 图表/全部结果.json"
else
echo " ❌ 图表/全部结果.json — MISSING or EMPTY"
MISSING=$((MISSING+1))
fi
# 灵敏度分析数据（数模竞赛必须）
if [ -f 图表/灵敏度结果.json ]; then
echo " ✅ 图表/灵敏度结果.json"
else
echo " ⚠ 图表/灵敏度结果.json — not found (required for sensitivity chapter)"
fi
echo "Missing: $MISSING"
若 ❌，务必回去补完再继续。
⛔ 避免在这一步产出 PDF 图形与表格或 图表引用.tex——那是 evidence-visualization 的职责。
computational-realization 只负责数据采集、统计分析、交付结果数据（JSON/CSV）。不画图。
⛔ 禁止在分析代码中产出 PDF 图形与表格。 全部 plt.savefig()、save_fig() 调用都不应出现在 computational-realization 的代码里。若分析过程中需可视化校验结果，用 plt.show() 看一眼就行，避免留存 PDF。
图形与表格 PDF 全部由下一步 evidence-visualization 产出。 evidence-visualization 会查阅 computational-realization 交付的 JSON 数据，按 recipe 系统产出高质量 PDF。
⛔ 求解器/优化器超时设定： 避免设太短的超时（如 120 秒）。竞赛数据量可能很大，求解器需充足时间。推荐设定：
小规模问题（变量 <100）：timeout=300（5 分钟）
中规模问题（变量 100-1000）：timeout=600（10 分钟）
大规模问题（变量 >1000）：timeout=1200（20 分钟）
全部求解器都务必打印进度（每 30 秒输出一次当前最优解），防止无交付超时被系统杀掉
主交付文件：计算结果.md + 图表/*.json
临时文件放 临时文件/ 目录
代码务必能运行：写完务必实施校验
结果务必留存为 JSON/CSV 文件（供 evidence-visualization 查阅画图）
<data_quality>
When no user data is available and you need to produce or simulate data:
Realistic ranges: values needs to match the problem domain — e.g., temperature in °C not arbitrary 0-1, population in millions not random integers
Meaningful patterns: data is expected to show the trends/relationships the model is designed to capture — e.g., if modeling seasonal demand, the data is expected to have seasonal patterns
Visualization-friendly: design data so the resulting visuals look informative and professional:
Avoid extreme outliers that compress the primary data into a tiny range
Confirm different methods/groups have visible but not identical differences (5-20% gaps, not 0.1% or 500%)
Cover enough data points for smooth curves (≥50 for line plots, ≥200 for distributions)
For method comparison: the proposed method is expected to be best but not unrealistically dominant — other methods is expected to have their own strengths on some metrics
Consistent with problem statement: all generated numbers are expected to be traceable to the problem description — if the problem says "30 provinces", produce 30 data points, not 10
Reproducible: set random seeds (np.random.seed(42)) so outcomes are deterministic
</data_quality>
依据论文类别选取配色方案（整篇论文统一一套）：
| 论文类别 | 推荐配色 | 调用方式 |
|----------|---------|---------|
| 竞赛论文 / 经管 / 统计建模 | Soft（默认） | setup_style() |
| 多组对比（>6 组） | Tableau | setup_style('tableau') |
| 自然科学 / 生物 / 化学 | NPG | setup_style('npg') |
| 医学 / 统计分析 | NEJM | setup_style('nejm') |
| IEEE / ACM / 工程类 | Science | setup_style('science') |
| 无障碍要求 | Colorblind | setup_style('colorblind') |
在任何画图代码的开头，务必先初始化配色：
import os, sys, shutil
if not os.path.isdir('工具'):
os.makedirs('工具', exist_ok=True)
for src in ['plot_utils.py', 'stats_utils.py']:
for search in ['skills/shared-scripts', '../skills/shared-scripts']:
p = os.path.join(search, src)
if os.path.isfile(p):
shutil.copy2(p, f'工具/{src}'); break
sys.path.insert(0, '.')
try:
from 工具.plot_utils import setup_style, save_fig, PALETTE
setup_style()
except ImportError:
import matplotlib; matplotlib.use('Agg')
import matplotlib.pyplot as plt
PALETTE = ['#5B9BD5','#ED7D7D','#7BC8A4','#B0B0B0','#9B8EC4','#F4A261']
matplotlib.rcParams['axes.prop_cycle'] = matplotlib.cycler(color=PALETTE)
import seaborn as sns
单组柱状图务必明示传颜色：
# 正确：ax.bar(x, y, color=PALETTE[:len(x)], edgecolor='white')
# 或用 seaborn：sns.barplot(data=df, x='col', y='val', palette=PALETTE)
各个画图脚本写完后自检： 核验是否有硬编码颜色、plt.title()、缺少 setup_style。发现就立即修复。
代码要有注释（附录评审加分项）
数据路线用相对路线
基本异常处理，一个子问题失败不可全崩
依赖清单.txt 与 程序/code_manifest.json 务必产出
大文件用 Bash heredoc 分块写入
主过程已在 Phase 0–7.5。以下是按主题搬到 references/checks/ 的深度参考，按 Phase 4.5 的指引在每问跑完时打开：
| 触发场景 | Read 哪个文件 |
|---|---|
| 第 1 问启动前（仅 1 次）| references/checks/_index.md |
| 任何子问题跑完 | references/checks/consistency.md |
| 任何子问题跑完 | references/checks/sanity_check.md |
| 优化类子问题 | references/checks/optimization.md（含 5 层求解 + 结构性校验）|
| 预测类子问题 | references/checks/prediction.md |
| 评价类子问题 | references/checks/evaluation.md |
| 物理/几何题 | references/checks/physical.md |
| 写代码遇到具体 bug | references/error_prevention_code.md（按题型查防错条目）|
⛔ 每问的自检过程见 Phase 4.5，不可跳过、不可合并、不可等到全部问跑完才统一自检。