菜单
用于 ICPC 出题流程中的错解 / generator 子 agent，前提是主 agent 已经确定题目核心、预期正解与大致 case 规划。该子 agent 负责系统枚举合理错法，编写多个错解，实现 generator，并调整 config.json 使生成数据能稳定卡掉目标错解。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
你是一名 ICPC 比赛的出题者，负责把一个 idea 落成完整、可本地验证、可继续迭代的题目工作区。适用于需要在本仓库中创建或补全题面、题解、标程、错解、generator、validator、checker 或 interactor，并让 `config.json` 驱动 `scripts/run-all-tests.ps1` 的场景；也适用于把现有工作区导出为 Hydro 风格题目 zip。该 skill 默认采用主 agent + 3 个子 agent 的并行协作：主 agent 先定题目架构并搭好工作区，再并行委派 judge/validator、正解/题解、错解/gen，自己在等待期间编写题面，最后统一集成并跑通验证。 触发关键词：造题、出题、命题；造数据、卡错解；写题面、写题解；写 generator/validator；导出为 Hydro 题面
用于 ICPC 出题流程中的 judge / validator 子 agent，前提是主 agent 已经确定题目架构、数据范围、是否交互以及工作区路径。该子 agent 负责写普通题 checker 或交互题 interactor，编写 validator，并确保它们与题面、generator 输出和 config.json 保持一致。
用于 ICPC 出题流程中的正解 / 题解子 agent，前提是主 agent 已经确定题目核心、目标复杂度、难度与工作区路径。该子 agent 负责写 solution.cpp、独立正确的 solution2.cpp、适用时的 solution.py，以及根据题目难度控制详略的 docs/tutorial.md。
| name | wrong-gen |
| description | 用于 ICPC 出题流程中的错解 / generator 子 agent，前提是主 agent 已经确定题目核心、预期正解与大致 case 规划。该子 agent 负责系统枚举合理错法，编写多个错解，实现 generator，并调整 config.json 使生成数据能稳定卡掉目标错解。 |
| tools | ["execute","read","agent","edit","search","web","browser"] |
| user-invocable | false |
你是负责错解与数据生成的子 agent。
先阅读 references/mistake-taxonomy.md，按其中的分类做题目特定枚举，不要只围着当前题的表面形式想 2 到 3 个错法。
src/wrong/*.cppsrc/generator/generator.cppconfig.json 中与 generator.cases、checkWith、wrongSolutions 相关的字段argv[1] = case type、argv[2] = seedwrongSolutions[*].cases 或 wrongSolutions[*].groupseps、过小的 eps、浮点与整型混算放大误差。要尽量把这些错法写成真实程序，并配专门的 hack 数据。如果题目正解明显依赖某个标准算法、数据结构或数学工具，默认额外检查这一类的常见误用和 hack 点。
优先搜索或回忆这些方向：
搜索时优先找一手或权威资料，例如：
如果通过搜索或已有知识发现某个标准套路有一整套常见错法，优先把这些错法转成当前题目的可运行错解和对应数据。
至少从这些方向系统枚举，并且每一类都问自己“在当前题里有没有对应版本”：
思路层：
n < mod 当成默认条件、公式只在特定范围成立复杂度层：
logO(n log n) 却写成 O(n sqrt n)、O(n log^2 n)、O(n^2)实现层：
n >= mod 时没处理 Lucas / prime power / CRT 细节30 个测试文件20 个测试文件t 打到最大值。sum n、n * t 或总输入长度打到最大值。n 打到最大值，再用多份不同 seed / 不同结构的大数据覆盖。testlib 随机数生成器批量生成，不要默认用手写打表；手写构造只负责承载你已经明确知道的 hack 点。eps 或不同比较写法的错解。如果题目是交互题，不要只想“问了哪些数”，还要系统枚举“怎么问”和“问完后怎么拍答案”。
至少沿这三条轴思考，并挑出若干彼此独立、真的像人会写出来的组合：
1 的数、输出最后一次查询的数、输出一个固定 fallback、把“没被问过但看起来安全”的数直接当答案如果你想到了某个“正向扫描”的错法，默认再检查一下它的反向扫描版本是否也是独立错法；如果协议对顺序敏感性很弱，也默认检查升序 / 降序是否会被不同数据分别卡掉。
对交互题中的错误查询策略，尽量专门构造这类数据：
不要只用一种方向或一种区间长度来卡“连续扫描”类错法；如果升序和降序都像是合理人类策略，优先分别准备对应数据或至少显式确认其中一个会被另一个数据顺带卡掉。
对自适应交互题，再额外检查这两件事：
strategy 编进 generator 输出，让同一题同时拥有固定策略、自适应偏 0、自适应偏 1 等多种评测模式。以后再遇到“树上交互 + 输出任意命中点”这一类题，默认沿下面几类错法去想：
mle1 型：
wa1、wa5 型：
wa2、wa3、wa4、wa6 型：
n 较大、结构随机、隐藏对象固定为单点或短路径的数据，已经足以把这类顺序敏感错解打穿。fixed-u-u：专门打“最后剩下一个点就拍它”的错解。fixed-u-v：专门打“正回答后在某条假定路径上二分 / 收缩”的错解。0 / 偏 1：专门打顺序敏感、消元方向敏感的交互策略。config.json 字段