paper-workflow-orchestrator

name	paper-workflow-orchestrator
description	MathModel Skill 总入口。触发词：数学建模、生成论文、分析赛题、CUMCM、MathorCup、华数杯、美赛、ICM、MathModel。任何数学建模任务先读本 skill 再路由子 skill。

论文生成全流程编排器

全局流程协作约束（长对话防漂移）

• 本 skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 paper-workflow-orchestrator 判断当前 S0-S8 阶段。
• 启动或继续本 skill 的正式任务前，必须运行：

  python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --skill paper-workflow-orchestrator
  

• 如果输出 [WORKFLOW FAIL] 或报告 status != "PASS"，停止本 skill，按 paper_output/qa/workflow_guard_report.json 的失败项回补前置阶段，不得凭记忆继续。
• 本 skill 只写入自己契约范围内的 paper_output/ 产物；完成后必须回到 paper-workflow-orchestrator 判断下一步，并用 context-memory-keeper 记录已完成产物、阻塞项和下一步。
• 长对话中如果上下文变长、阶段不确定或用户分开调用 skill，先运行：

  python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --status
  

  再读取 paper_output/qa/workflow_guard_report.json、paper_output/preflight_report.json、paper_output/input_manifest.json、paper_output/results/run_manifest.json 和本 skill 的上游 JSON 契约，按报告里的 recommended_skill 与 next_action 继续。
• 继续流程前，必须把 paper_output/context/workflow_memory.json 视为长期断点记录；若其中的 current_step、next_step、recommended_skill 与 workflow_guard.py --status 不一致，以 guard 报告为准。
• 每次完成本 skill 的产物后，先回到 paper-workflow-orchestrator 或运行 workflow_guard.py --status，再更新 workflow memory：

  python .claude/skills/context-memory-keeper/scripts/update_workflow_memory.py
  

  更新后读取 paper_output/context/workflow_memory.json / .md，确认下一步和推荐 skill 已记录。

启动门（必须第一步执行）

进入任何后续步骤之前，必须用 Bash 运行预检脚本：

python .claude/skills/paper-workflow-orchestrator/scripts/preflight_check.py

读取退出码、paper_output/preflight_report.json 和 paper_output/input_manifest.json：

• 退出码非 0 或 status != "PASS" → 立刻停止生成任何内容。把报告中的 errors 原文反问用户，等用户修复 problem_files/ 后重新运行预检；
• 不允许跳过预检；不允许"先凑合写一稿"；不允许凭印象判断附件状态；
• 预检通过后，input_manifest.json 会固定记录每个附件的角色、字节数和 SHA-256；后续 skill 必须读取该 manifest，不得重新凭文件名猜附件用途，也不得在附件变化后继续使用旧的清洗、建模或门禁报告。
• 预检通过后，按下方阶段路由表逐步推进。

状态门（每阶段开始前执行）

正式流程进入 S1-S8 任一阶段前，必须用 workflow_guard.py 检查截至当前阶段的产物状态。例如进入数据阶段前检查到 S2：

python .claude/skills/paper-workflow-orchestrator/scripts/workflow_guard.py --step S2

脚本会写入 paper_output/qa/workflow_guard_report.json。若退出码非 0 或 status != "PASS"，必须按报告失败项补齐上一阶段产物，不得跳步。

Quickstart 用途说明

scripts/quickstart_run.py 仅用于安装验证。它产出的占位草稿写入 paper_output/quickstart/，并写入名为 quickstart_draft.docx 的草稿文件，不会通过证据门禁，不得对外宣称为最终稿。

正式赛题任务禁止调用 quickstart。若用户说"先快速看个样子"，先反问："你需要正式稿还是只验证安装？" 不要默认走 quickstart。

scripts/run_all.py 是已废弃命令的兼容提示，仅用于保护旧文档/旧脚本调用者，正式流程不再调用。

执行契约

• 上游输入：problem_files/ 中的赛题与附件数据；可选读取 crawled_data/ 中的补充权威数据。
• 必须输出：paper_output/OUTPUT_LAYOUT.md、paper_output/input_manifest.json、problem_analysis.json、model_route.json、rubric_alignment.json、scoring_strategy.md、数据/图表计划、load_report.json、结果证据、run_manifest.json、证据门禁报告、paper_outline.json、final_paper_source.md、final_paper.docx 与机器可读格式检查报告。
• 下游交接：本技能是总入口，负责判断当前阶段并路由到其他 skill；用户不知道从哪个 skill 开始时优先调用它。
• 失败回退：problem_files/ 为空时阻塞；正式流程中模型路线、数据读取、代码运行、证据门禁或格式门禁失败时必须回补对应阶段，不得把 warning 当作放行。只有 quickstart 安装验证可以在明确标记草稿的前提下继续。

目标

• 本技能是正式入口，不是“一键脚本说明书”。正式赛题应由 Agent 先读题、拆题、判断附件性质，再生成或修改当前赛题专用代码，运行真实结果，最后基于完整证据链全局写作。
• 保持本项目的核心思路：以 skill 为主线，把“赛题解析 → 模型选择 → 数据处理 → 结果证据 → QA 门禁 → Agent 全局写作 → 最终 QA”串成一套可执行工作流。
• scripts/quickstart_run.py 只用于 quickstart、安装验证和 smoke test；它生成的是验证草稿，不代表正式比赛论文质量。
• scripts/run_all.py 已废弃，只保留迁移提示，不再作为正式论文或 quickstart 的执行入口。

入口路由规则

• 当用户说“开始生成数学建模论文”“帮我做这个数学建模题”“分析赛题”“使用 MathModel Skill”或不知道该调用哪个 skill 时，先读取本技能。
• 先判断用户目标：正式论文走 Agent-native 全流程；只要题意、模型、数据、QA 或正文时，路由到对应子 skill。
• 不要让用户理解或选择多个 skill 的顺序；由本技能负责说明下一阶段，并在阶段完成后回到本技能判断下一步。
• 如用户只是验证安装或跑 quickstart，可调用：
  • python .claude/skills/paper-workflow-orchestrator/scripts/quickstart_run.py
• 正式赛题不要先跑 quickstart 脚本；应先读取题面和附件，再按当前赛题生成专用数据处理、建模和绘图代码。

阶段路由表

当前目标	优先调用
刚开始、只给了赛题或不知道用哪个 skill	problem-doc-model-selector
已有 problem_analysis.json，需要模型路线和评分闭环	modeling-paper-rubric-and-model-selector
需要外部权威数据	authoritative-data-harvester
需要处理附件数据、生成数据/图表计划或图表样板	data-cleaning-and-visualization
需要生成模型结果、评价指标、结论和表格证据	model-code-and-result-generator
进入正文生成前，需要任务清单和门禁检查	quality-assurance-auditor
证据门禁通过，需要正式成稿、规范格式、Word 排版	paper-formal-writer
需要微单元提示词资产、局部扩写或低能力模型兜底草稿	paper-micro-unit-generator
已有 final_paper_source.md 或 final_paper.docx，需要最终把关	quality-assurance-auditor + paper-formal-writer

适用时机

• 用户已经在项目根目录下按约定放好了赛题 PDF/Word 和附件数据，需要“从零到万字论文”的一条龙自动流程时。
• 已经完成部分计算或占位符填充，但希望检查整体步骤是否完整、顺序是否合理，或想重跑核心流程时。

约束（必须遵守）

• Memory Interaction (必做):
  • 全流程中：作为总控，应当在每个关键步骤（清洗完、QA完、生成完）结束后，主动调用 context-memory-keeper 更新进度，确保如果流程中断，Memory 中留有断点记录。
• 本技能是全项目唯一“入口路由 skill”。用户只要提出“生成完整论文/跑完整流程”，优先读取本技能而不是让多个技能分散运行。
• 若 problem_files/ 为空，必须先补齐赛题与附件数据，再运行流程。
• 当前赛题专用代码必须写入 paper_output/code/：数据处理放 data_processing/，绘图放 visualization/，建模放 modeling/，检查放 qa/。不要把 q1_model.py、绘图脚本或清洗脚本写回 skills/*/scripts/。
• 必须先判断附件性质：原始数据、结果模板、说明文档、参考材料要分开处理。像官方要求填写的 result*.xlsx 结果模板，不能被当作原始输入数据机械清洗，也不能据此伪造真实建模结果。
• 当任一子问题的 evidence_status 为 missing、needs_real_modeling 或 scaffold_result_needs_review 时，不得把 Word 称为最终稿；必须先补齐赛题专用代码、真实图表、表格、指标和结论。
• 若用户分开调用了其他技能，最终仍应回到本技能并按正式顺序完成：预检与附件哈希 → 模型路线 → 数据/图表 → 统一入口运行建模代码 → evidence gate → 全局写作 → 原生 Word 公式 → required render 格式门禁。微单元仅作为提示词资产或草稿兜底，不是 Standard 正式成稿主线。

正式交付门禁标准（以此判断是否“论文生产完整”）

• 必须通过：quality-assurance-auditor/scripts/evidence_gate.py 的 official 模式
• 必须通过：paper-formal-writer/scripts/check_paper_format.py --render required 的正式格式门禁
• 必须存在：paper_output/final_paper.docx，但只有证据门禁和格式门禁都通过后才能称为正式稿。
• 必须存在：paper_output/OUTPUT_LAYOUT.md（当前项目输出位置说明）
• 必须存在：paper_output/input_manifest.json（附件角色分类，防止把结果模板/说明文档误当原始数据）
• 必须存在：paper_output/data_cleaned/load_report.json，且其中 input_manifest_sha256 必须匹配当前 manifest。
• 必须存在：paper_output/plan/paper_outline.json（正式论文大纲契约）
• 必须存在：paper_output/final_paper_source.md（Agent 全局写作的正式 Markdown 源稿）
• 必须存在：paper_output/step1/problem_analysis.json（结构化题意分析）
• 必须存在：paper_output/plan/model_route.json（模型路线契约）
• 必须存在：paper_output/plan/rubric_alignment.json（评分点映射契约）
• 必须存在：paper_output/plan/data_plan.json 与 visualization_plan.json（数据与图表证据链契约）
• 必须存在：paper_output/figure_index.json（图表计划索引）
• 必须存在：paper_output/results/run_manifest.json（建模代码运行账本，记录脚本、输入和输出哈希，证明结果来自实际运行且未被事后修改）
• 必须存在：paper_output/results/model_results.json、metrics.json、conclusions.json（结果、有限指标和结论证据契约）
• 必须存在：paper_output/qa/evidence_gate_report.json，状态为 PASS，且 input_hashes 与当前证据文件一致。
• 必须存在：paper_output/format_check_report.json，状态为 PASS，输入哈希仍新鲜，且 render_qa.status=PASS。
• 必须存在：paper_output/tables/table_index.json 与 paper_output/figure_index.json；每问至少有可用图或表，缺失、空文件、失败和 placeholder 均不得放行。
• 推荐存在：paper_output/code/README.md 与 paper_output/code/*/README.md（当前赛题代码工作区说明）
• 推荐存在：paper_output/tasks.json
• 推荐存在：paper_output/ref_check.md
• 推荐存在：paper_output/micro_units/（作为提示词资产和验证草稿，不作为正式主流程）
• 建议存在：paper_output/figures/ 与 paper_output/data_cleaned/（用于数据预处理与结果分析配图）

脚本清单（本技能实际会用到的）

• scripts/prepare_output_layout.py：输出位置准备器。
  • 何时用：完整流程开始前、quickstart、安装验证或用户问“代码/图表/微单元放哪里”时。
  • 做什么：创建 paper_output/OUTPUT_LAYOUT.md、paper_output/code/、data_cleaned/、figures/、tables/、results/、micro_units/ 等目录，并写入代码工作区 README。
• scripts/quickstart_run.py：quickstart / smoke test 执行器。
  • 何时用：quickstart、安装验证、调试，或用户明确要求只验证 workflow 链路。
  • 做什么：先准备输出目录规划 → 再跑 problem-doc-model-selector/scripts/analyze_problem.py 生成 problem_analysis.json → 再跑 modeling-paper-rubric-and-model-selector/scripts/build_model_route.py 生成模型路线与评分点契约 → 再生成数据/图表证据链契约并做清洗与可视化 → 再生成模型结果、指标、结论和表格证据契约 → 再跑 QA 生成动态 paper_output/tasks.json → 再离线生成微单元 → 再合并成 paper_output/final_paper.md 和 paper_output/final_paper.docx。
  • 注意：输出是验证草稿，不代表正式比赛论文。
• scripts/run_all.py：废弃迁移提示。
  • 何时用：旧命令误触时提示用户改用 quickstart_run.py 或正式 Agent-native workflow。
  • 做什么：只打印迁移提示，不执行生成流程。
• scripts/workflow_guard.py：S0-S8 状态门检查器。
  • 何时用：正式流程每个阶段开始前或用户要求检查当前进度时。
  • 做什么：检查预检、审题、模型路线、数据读取报告、建模代码、结果证据、证据门禁、正式稿和格式门禁是否按顺序具备；失败时写入 paper_output/qa/workflow_guard_report.json 并返回非 0。

前置约定

• 目录结构建议为：
  • 根目录：<项目根目录>
  • 赛题与附件：problem_files/（把赛题 PDF/Word 与附件数据直接放这里；QA 会检查该目录不为空）
  • 补充数据：crawled_data/（可选，爬虫或外部公开数据放这里）
  • 输出目录：paper_output/（脚本自动生成任务清单、微单元与合并稿）
  • 当前赛题专用代码：paper_output/code/（只放当前题目的数据处理、绘图、建模和检查代码）
  • 技能目录：skills/...
• Python 可用即可。

输入

• 必填：
  • 将赛题 PDF/Word 与附件数据放入 problem_files/。
• 可选：
  • 将补充数据放入 crawled_data/。

输出

• 中间文件：
  • paper_output/OUTPUT_LAYOUT.md：当前项目输出位置说明。
  • paper_output/code/README.md：当前赛题专用代码工作区说明。
  • paper_output/code/data_processing/：当前赛题数据处理代码。
  • paper_output/code/visualization/：当前赛题绘图和格式化图表代码。
  • paper_output/code/modeling/：当前赛题 q1/q2/q3 建模代码。
  • paper_output/code/qa/：可选的当前赛题检查代码。
  • paper_output/step1/problem_analysis.json：结构化赛题分析，连接后续 QA 与正文生成。
  • paper_output/step1/A_题意对齐.md、B_论文大纲.md、C_评分点对齐表.md、D_模型路线.json。
  • paper_output/plan/model_route.json：每一问的模型路线、验证计划和建议图表。
  • paper_output/plan/rubric_alignment.json：评分点与证据映射。
  • paper_output/plan/scoring_strategy.md：评分闭环说明。
  • paper_output/plan/data_plan.json：数据文件、字段画像、清洗任务与子问题链接。
  • paper_output/plan/visualization_plan.json：建议图表、图题、用途、候选字段与输出路径。
  • paper_output/figure_index.json：图表计划索引，供 QA 和正文引用核对。
  • paper_output/results/model_results.json：每问模型输出、参数、方案或预测结果的证据契约。
  • paper_output/results/metrics.json：每问评价指标、误差、得分或约束满足情况。
  • paper_output/results/conclusions.json：每问可回扣原题的结构化结论。
  • paper_output/tables/table_index.json：论文表格索引、表题、用途和路径。
  • paper_output/tasks.json：微单元任务清单。
  • paper_output/micro_units/*.txt：每个微单元一个文件。
  • paper_output/generate_log.json：生成日志。
• 最终交付：
  • paper_output/final_paper.md：合并后的 Markdown 论文草稿。
  • paper_output/final_paper.docx：Word 草稿，作为主要交付物。
  • paper_output/ref_check.md：交叉引用与编号断链报告。

工作流程（对应 workflow_full 分步）

正式实现：Agent-native 工作流（推荐）

0. 读取赛题与附件，判断附件是原始数据、结果模板、说明文档还是参考材料。
1. 生成题意分析、模型路线、评分闭环、数据计划和图表计划。
2. 在 paper_output/code/ 中生成或修改当前赛题专用数据处理、建模和绘图代码。
3. 通过 paper_output/code/modeling/run_modeling.py 统一运行专用代码，产出真实图表、表格、指标和结论，并让 run_manifest.json 记录脚本、输入与输出哈希。
4. 运行 quality-assurance-auditor/scripts/evidence_gate.py；门禁会重新计算哈希并拒绝空指标、占位产物或过期运行记录，未通过时继续补证据，不进入正式成稿。
5. 证据门禁通过后，运行 paper-formal-writer/scripts/build_paper_outline.py 生成 paper_output/plan/paper_outline.json。
6. Agent 读取 paper_outline.json、完整证据链和提示词资产，全局撰写 paper_output/final_paper_source.md。
7. 运行 paper-formal-writer/scripts/format_formal_docx.py 生成含可编辑 OMML 公式的正式 Word，再运行 paper-formal-writer/scripts/check_paper_format.py --render required。
8. 证据门禁与格式门禁均通过后，再次调用 quality-assurance-auditor 做最终一致性检查。

Quickstart 验证流程（不是正式论文生产流程）

0. 输出目录规划:
   • 调用 paper-workflow-orchestrator/scripts/prepare_output_layout.py，生成 paper_output/OUTPUT_LAYOUT.md 和 paper_output/code/ 工作区说明。
   • 这一步只建立落点规范，不执行黑盒建模。
1. 赛题结构化分析:
   • 调用 problem-doc-model-selector/scripts/analyze_problem.py，生成 paper_output/step1/problem_analysis.json。
   • 将每一问的任务类型、推荐模型、验证计划和建议图表固化为后续 skill 可读取的数据契约。
2. 模型路线与评分闭环:
   • 调用 modeling-paper-rubric-and-model-selector/scripts/build_model_route.py，生成 paper_output/plan/model_route.json、rubric_alignment.json 和 scoring_strategy.md。
   • 若该步骤失败，流程继续，QA 回退到 problem_analysis.json。
3. 外部资源获取 (Optional):
   • 调用 authoritative-data-harvester 或 g-sci (若存在) 填充 crawled_data/。
   • Memory Update: 将获取的文献/数据源更新至 memoryskill.md。
4. 调用 data-cleaning-and-visualization/scripts/run_pipeline.py：先读取 input_manifest.json，再生成 data_plan.json、visualization_plan.json 与 figure_index.json；只把 manifest 中标为 raw_data 且可用的文件当作建模数据，产出清洗数据与图表到 paper_output/。
5. 调用 model-code-and-result-generator/scripts/build_result_contracts.py：根据模型路线、清洗数据和图表计划生成 model_results.json、metrics.json、conclusions.json 与 table_index.json。真实赛题中应继续让 Agent 在 paper_output/code/modeling/ 二次生成或修改专用建模代码，并补齐真实结果。
6. 调用 quality-assurance-auditor/scripts/pipeline.py：检查 problem_files/，优先根据模型路线、评分点、数据图表和结果证据生成动态 paper_output/tasks.json。
7. 调用 paper-micro-unit-generator/scripts/generate_all_offline.py：生成 paper_output/micro_units/*.txt 与 paper_output/generate_log.json。
8. 调用 paper-micro-unit-generator/scripts/merge.py：生成 paper_output/final_paper.md 与 paper_output/ref_check.md，。

分步运行（需要时才用）

0. 外部资源获取:
   • 若需要补充文献或数据，先运行 authoritative-data-harvester 或其他搜索技能。

0.5. 仅准备输出目录规划：

python .claude/skills/paper-workflow-orchestrator/scripts/prepare_output_layout.py

1. 仅做数据清洗与可视化：

python .claude/skills/data-cleaning-and-visualization/scripts/run_pipeline.py

1.5. 仅生成结果证据契约：

python .claude/skills/model-code-and-result-generator/scripts/build_result_contracts.py

2. 仅做赛题结构化分析：

python .claude/skills/problem-doc-model-selector/scripts/analyze_problem.py

3. 仅生成模型路线与评分闭环：

python .claude/skills/modeling-paper-rubric-and-model-selector/scripts/build_model_route.py

4. 仅生成任务清单（会检查 problem_files/ 不为空，并优先读取 model_route.json）：

python .claude/skills/quality-assurance-auditor/scripts/pipeline.py

5. 仅生成微单元：

python .claude/skills/paper-micro-unit-generator/scripts/generate_all_offline.py

6. 仅合并生成论文：

python .claude/skills/paper-micro-unit-generator/scripts/merge.py

7. 仅生成正式论文大纲契约：

python .claude/skills/paper-formal-writer/scripts/build_paper_outline.py

8. 仅格式化正式 Word：

python .claude/skills/paper-formal-writer/scripts/format_formal_docx.py

9. 仅检查正式论文格式：

python .claude/skills/paper-formal-writer/scripts/check_paper_format.py

常见问题

• 报错“problem_files 为空”：把赛题 PDF/Word 与附件数据放进 problem_files/ 后重跑。
• 想要看题意拆解：查看 paper_output/step1/problem_analysis.json 和 paper_output/step1/A_题意对齐.md。
• 想要看模型路线：查看 paper_output/plan/model_route.json 和 paper_output/plan/scoring_strategy.md。
• 想要看论文产出：最终文件是 paper_output/final_paper.docx，中间稿是 paper_output/final_paper.md。
• 想要看输出位置规划：查看 paper_output/OUTPUT_LAYOUT.md。
• 想要看赛题专用代码：查看 paper_output/code/，不要到 skill 包目录里找当前赛题代码。
• 想要看数据与图表：清洗数据在 paper_output/data_cleaned/，图表在 paper_output/figures/。
• 想要看结果证据：查看 paper_output/results/ 与 paper_output/tables/table_index.json；其中草稿状态的结果需要结合真实建模代码补齐。