Run any Skill in Manus with one click

Get Started

problem-intelligence

Stars27

Forks0

UpdatedJuly 15, 2026 at 15:52

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。

Installation

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

Run Skill in Manus

Source

WuXinbo-bo

WuXinbo-bo/Math-model-skills

View GitHub Repository View Creator Repositories

Download

Run Skill in Manus

Related occupationsSOC

Based on SOC occupation classification

Market Research Analysts and Marketing SpecialistsBusiness and Financial Operations Occupations·SOC 13-1161

SKILL.md

readonly

问题情境智能解构

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

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

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
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
$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

| 符号 | 含义 | 单位 | 类别 |

|------|------|------|------|

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：

| 分析环节交付 | 数据形态 | 推荐图形与表格 |

|------------|---------|---------|

| 多变量时间趋势 | 时间×值 | 折线图 basic #3 |

| 变量有关系数矩阵 | N×N 矩阵 | 聚类热力图 advanced #14 |

| 多模型多指标数值 | 方法×指标矩阵 | 分组柱状图 basic #1 或方法对比热力图 advanced #16 |

| 系数±标准误 | 系数+CI | 森林图 empirical #1 |

| 正负方向效应值 | 正负差值 | 发散柱状图 advanced #20 |

| 多组分布形态 | 多组连续值 | Ridgeline advanced #23 或 Grouped Violin advanced #24 |

| 地理空间数据 | 地理×值 | 地图热力图 competition #7 |

| 排名数据 | 名称×单一数值 | 棒棒糖图 advanced #1 |

| 模块增量贡献 | 环节×增量 | Waterfall advanced #6 |

⛔ 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
模型的各个组件务必能追溯到题目的某一句话
若模型有题目没说的组件 → 阐明有凭空引入的假设，务必明示声明
若题目有模型没覆盖的句子 → 阐明有遗漏，务必补充

第四步：经典问题升级核验

判定我的"经典问题映射"是否由于某些关键句子需升级：


## 经典问题升级判定表

| 初步映射 | 题目关键句子触发的升级 | 最终模型 | 严重性 | 必须性 | 缺失影响 |

|---------|---------------------|---------|--------|--------|---------|

| 示例：TSP | "可在中转点补给" → Multi-Trip | Multi-Trip VRP | 🔴 致命 | 必须 | 覆盖数严重低估 |

| 示例：线性规划 | "不同时段不同需求" → 多阶段 | 多阶段 LP | 🟡 重要 | 必须 | 无法反映时变需求 |

| 示例：最短路 | "有概率失败" → 随机 | 随机最短路 | 🟡 重要 | 建议 | 鲁棒性评估缺失 |

⛔ 严重性标记准则：

🔴 致命：若不升级，结果会偏离题目本意 50% 以上（如单次 vs Multi-Trip 可能差一个数量级）
🟡 关键：若不升级，会丢失关键评价指标（如灵敏度/鲁棒性分析无法做）
🟢 优化：推荐升级但不升级也能回答题目

⛔ 务必性标记准则：

务必：题目原文清晰标明要求的机制（白纸黑字），不升级=未读懂题目
推荐：题目隐含或延伸的建模空间，升级能提升但不升级也可
可选：锦上添花的扩展，与题目关键无关

⛔ 针对每条升级推荐，在建模阶段的预期处理方式：

🔴 致命 + 务必 → 建模阶段无条件采用
🟡 关键 + 务必 → 建模阶段应当采用（除非技术不可行）
🟢 优化 + 推荐 → 建模阶段可依据资源决定

⛔ 对各个升级推荐务必附加"缺参数处理预案"：

若某个升级涉及的参数在题目中没给出（如"可充电"但没给充电时间），务必在此处写明推荐的假设值：


升级：Multi-Trip OP

缺失参数：充电时间、补给点坐标

建议假设：充电时间=10min（参考工业无人机常识），补给点=区域4角

建模阶段操作：用假设值完整建模升级版，灵敏度分析扰动假设参数

⛔ 禁止：以"题目未给参数"为由跳过升级

⛔ 触发升级的通用信号（在题目中出现则务必升级）：

| 题目里出现这种说法 | 务必升级为 |

|------------------|-----------|

| 可充电/补给/中转/休息 | 多架次/Multi-Trip 变体 |

| 时间窗/营业时间/可用时段 | 带时间窗的变体（TW） |

| 优先级/价值不同/收益不同 | Orienteering/Prize-Collecting 变体 |

| 不确定/随机/概率 | 随机规划/鲁棒优化 |

| 动态变化/时变/实时 | 动态规划/MDP/在线算法 |

| 多方博弈/对抗 | 博弈论/Stackelberg |

| 信息不完全/未知 | 部分观测 MDP/贝叶斯 |

| 多目标/权衡 | 多目标优化/帕累托 |

| 阶段/分步 | 分层/序贯决策 |

| 故障/失效/损坏 | 可靠性/冗余设计 |

⛔ 三步核验务必全部通过才能转入 Phase 6。任何一步有遗漏，务必回到 Phase 1 重读题目并更新分析。

工作节点 6：交付

交付前自检：

各个子问题是否都有清晰标明的建模方法推荐（不是"待定"）？
变量定义表是否覆盖了赛题中出现的全部关键量（≥15 个变量）？
数据探索是否发现了有价值的模式（不是只列基本统计量）？
子问题间的依赖关系是否标注清楚（哪个先做、哪个依赖哪个的结果）？
各个子问题是否预标注了需的图形与表格类别和数量？
工作计划是否涵盖时间分配？
⛔ 非数据图规划是否完整？逐条过了 13 条触发准则？不少于有技术路线图 1 张？
⛔ 图形与表格总数是否合理？（竞赛论文一般情况下 8-15 张数据图 + 2-5 张非数据图 + 3-8 张表）

留存到 问题分析.md：赛题概述、子问题拆解、数据探索摘要、变量定义、建模思路（含图形与表格预规划）、工作计划。

⛔ 分段写入准则（防止交付截断导致空工具调用）：

问题分析.md 一般情况下很长（3000-8000 字），务必分段写入，每段 < 150 行：


# 第 1 段：赛题概述 + 子问题拆解

cat << 'EOF' > 问题分析.md

# 问题情境解构报告

## 一、赛题概述

...

## 二、子问题拆解

...

EOF

# 第 2 段：数据探索 + 变量定义

cat << 'EOF' >> 问题分析.md

## 三、数据探索

...

## 四、变量定义与符号表

...

EOF

# 第 3 段：建模思路 + 图表预规划

cat << 'EOF' >> 问题分析.md

## 五、建模思路

...

## 六、图表预规划

...

EOF

# 第 4 段：工作计划 + 合理性审查

cat << 'EOF' >> 问题分析.md

## 七、工作计划

...

EOF

⛔ 禁止一次性用 Write 工具写完整个文件。 若内容超过 150 行，务必用多次 cat << 'EOF' >> file 追加。一次性写太长会导致交付 token 截断，触发空工具调用循环。

关键准则

避免跳过数据探索
子问题间的逻辑关系很关键
建模思路要具体（避免只写"用机器学习"）
时间紧迫，分析要高效
⛔ Markdown 中的 LaTeX 公式：$$ 块级公式单独成行且前后空行，行内用 $...$ ，\begin{aligned} 等多行环境用块级，避免 \text{} 包裹中文
⛔ 主交付文件：问题分析.md。避免在根目录写额外报告
⛔ 避免建立独立的 .py 文件。 当前环节只交付问题分析.md。数据探索用 Bash 内联 Python 一次性脚本即可，避免留存为程序/*.py。数学机制构造和计算实验实现是后续环节的职责
⛔ 分段写入：每一次 Bash heredoc < 150 行。 避免一次性写完整个报告，分 3-4 段追加写入（>> 而非 >）

name	problem-intelligence
description	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。

问题情境智能解构

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

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

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
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
$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...

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。

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

| 符号 | 含义 | 单位 | 类别 |

|------|------|------|------|

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：

| 分析环节交付 | 数据形态 | 推荐图形与表格 |

|------------|---------|---------|

| 多变量时间趋势 | 时间×值 | 折线图 basic #3 |

| 变量有关系数矩阵 | N×N 矩阵 | 聚类热力图 advanced #14 |

| 多模型多指标数值 | 方法×指标矩阵 | 分组柱状图 basic #1 或方法对比热力图 advanced #16 |

| 系数±标准误 | 系数+CI | 森林图 empirical #1 |

| 正负方向效应值 | 正负差值 | 发散柱状图 advanced #20 |

| 多组分布形态 | 多组连续值 | Ridgeline advanced #23 或 Grouped Violin advanced #24 |

| 地理空间数据 | 地理×值 | 地图热力图 competition #7 |

| 排名数据 | 名称×单一数值 | 棒棒糖图 advanced #1 |

| 模块增量贡献 | 环节×增量 | Waterfall advanced #6 |

⛔ 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

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
模型的各个组件务必能追溯到题目的某一句话
若模型有题目没说的组件 → 阐明有凭空引入的假设，务必明示声明
若题目有模型没覆盖的句子 → 阐明有遗漏，务必补充

第四步：经典问题升级核验

判定我的"经典问题映射"是否由于某些关键句子需升级：


## 经典问题升级判定表

| 初步映射 | 题目关键句子触发的升级 | 最终模型 | 严重性 | 必须性 | 缺失影响 |

|---------|---------------------|---------|--------|--------|---------|

| 示例：TSP | "可在中转点补给" → Multi-Trip | Multi-Trip VRP | 🔴 致命 | 必须 | 覆盖数严重低估 |

| 示例：线性规划 | "不同时段不同需求" → 多阶段 | 多阶段 LP | 🟡 重要 | 必须 | 无法反映时变需求 |

| 示例：最短路 | "有概率失败" → 随机 | 随机最短路 | 🟡 重要 | 建议 | 鲁棒性评估缺失 |

⛔ 严重性标记准则：

🔴 致命：若不升级，结果会偏离题目本意 50% 以上（如单次 vs Multi-Trip 可能差一个数量级）
🟡 关键：若不升级，会丢失关键评价指标（如灵敏度/鲁棒性分析无法做）
🟢 优化：推荐升级但不升级也能回答题目

⛔ 务必性标记准则：

务必：题目原文清晰标明要求的机制（白纸黑字），不升级=未读懂题目
推荐：题目隐含或延伸的建模空间，升级能提升但不升级也可
可选：锦上添花的扩展，与题目关键无关

⛔ 针对每条升级推荐，在建模阶段的预期处理方式：

🔴 致命 + 务必 → 建模阶段无条件采用
🟡 关键 + 务必 → 建模阶段应当采用（除非技术不可行）
🟢 优化 + 推荐 → 建模阶段可依据资源决定

⛔ 对各个升级推荐务必附加"缺参数处理预案"：

若某个升级涉及的参数在题目中没给出（如"可充电"但没给充电时间），务必在此处写明推荐的假设值：


升级：Multi-Trip OP

缺失参数：充电时间、补给点坐标

建议假设：充电时间=10min（参考工业无人机常识），补给点=区域4角

建模阶段操作：用假设值完整建模升级版，灵敏度分析扰动假设参数

⛔ 禁止：以"题目未给参数"为由跳过升级

⛔ 触发升级的通用信号（在题目中出现则务必升级）：

| 题目里出现这种说法 | 务必升级为 |

|------------------|-----------|

| 可充电/补给/中转/休息 | 多架次/Multi-Trip 变体 |

| 时间窗/营业时间/可用时段 | 带时间窗的变体（TW） |

| 优先级/价值不同/收益不同 | Orienteering/Prize-Collecting 变体 |

| 不确定/随机/概率 | 随机规划/鲁棒优化 |

| 动态变化/时变/实时 | 动态规划/MDP/在线算法 |

| 多方博弈/对抗 | 博弈论/Stackelberg |

| 信息不完全/未知 | 部分观测 MDP/贝叶斯 |

| 多目标/权衡 | 多目标优化/帕累托 |

| 阶段/分步 | 分层/序贯决策 |

| 故障/失效/损坏 | 可靠性/冗余设计 |

⛔ 三步核验务必全部通过才能转入 Phase 6。任何一步有遗漏，务必回到 Phase 1 重读题目并更新分析。

工作节点 6：交付

交付前自检：

各个子问题是否都有清晰标明的建模方法推荐（不是"待定"）？
变量定义表是否覆盖了赛题中出现的全部关键量（≥15 个变量）？
数据探索是否发现了有价值的模式（不是只列基本统计量）？
子问题间的依赖关系是否标注清楚（哪个先做、哪个依赖哪个的结果）？
各个子问题是否预标注了需的图形与表格类别和数量？
工作计划是否涵盖时间分配？
⛔ 非数据图规划是否完整？逐条过了 13 条触发准则？不少于有技术路线图 1 张？
⛔ 图形与表格总数是否合理？（竞赛论文一般情况下 8-15 张数据图 + 2-5 张非数据图 + 3-8 张表）

留存到 问题分析.md：赛题概述、子问题拆解、数据探索摘要、变量定义、建模思路（含图形与表格预规划）、工作计划。

⛔ 分段写入准则（防止交付截断导致空工具调用）：

问题分析.md 一般情况下很长（3000-8000 字），务必分段写入，每段 < 150 行：


# 第 1 段：赛题概述 + 子问题拆解

cat << 'EOF' > 问题分析.md

# 问题情境解构报告

## 一、赛题概述

...

## 二、子问题拆解

...

EOF

# 第 2 段：数据探索 + 变量定义

cat << 'EOF' >> 问题分析.md

## 三、数据探索

...

## 四、变量定义与符号表

...

EOF

# 第 3 段：建模思路 + 图表预规划

cat << 'EOF' >> 问题分析.md

## 五、建模思路

...

## 六、图表预规划

...

EOF

# 第 4 段：工作计划 + 合理性审查

cat << 'EOF' >> 问题分析.md

## 七、工作计划

...

EOF

关键准则

避免跳过数据探索
子问题间的逻辑关系很关键
建模思路要具体（避免只写"用机器学习"）
时间紧迫，分析要高效
⛔ Markdown 中的 LaTeX 公式：$$ 块级公式单独成行且前后空行，行内用 $...$ ，\begin{aligned} 等多行环境用块级，避免 \text{} 包裹中文
⛔ 主交付文件：问题分析.md。避免在根目录写额外报告
⛔ 避免建立独立的 .py 文件。 当前环节只交付问题分析.md。数据探索用 Bash 内联 Python 一次性脚本即可，避免留存为程序/*.py。数学机制构造和计算实验实现是后续环节的职责
⛔ 分段写入：每一次 Bash heredoc < 150 行。 避免一次性写完整个报告，分 3-4 段追加写入（>> 而非 >）

problem-intelligence

More from this repository

More from this repository

问题情境智能解构

稳定执行契约

常量

输入

⛔⛔⛔ 完成铁律（最高优先级，违反则当前环节失败）

工作过程

工作节点 0：查阅赛题原文 + 上游规划

工作节点 1：赛题全文解读

工作节点 1.5：假设敏感性预检（⛔ 必做，防止全盘方向错误）

工作节点 2：子问题拆解

工作节点 3：数据探索

工作节点 4：变量定义与符号表

工作节点 5：建模思路规划

工作节点 5.5：范例感知 + 图形与表格预规划

AI Image / DrawIO 图预规划

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）

第一步：逐句拆解题目

第二步：对各个句子做五问

第三步：反向推理核验（从模型找回题目）

第四步：经典问题升级核验

工作节点 6：交付

关键准则

问题情境智能解构

稳定执行契约

常量

输入

⛔⛔⛔ 完成铁律（最高优先级，违反则当前环节失败）

工作过程

工作节点 0：查阅赛题原文 + 上游规划

工作节点 1：赛题全文解读

工作节点 1.5：假设敏感性预检（⛔ 必做，防止全盘方向错误）

工作节点 2：子问题拆解

工作节点 3：数据探索

工作节点 4：变量定义与符号表

工作节点 5：建模思路规划

工作节点 5.5：范例感知 + 图形与表格预规划

AI Image / DrawIO 图预规划

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）

第一步：逐句拆解题目

第二步：对各个句子做五问

第三步：反向推理核验（从模型找回题目）

第四步：经典问题升级核验

工作节点 6：交付

关键准则