Math Modeling Agent Flow — AI skill for Claude Code

Math Modeling AI Agent Flow

**AI Agent workflow for mathematical modeling competitions (CUMCM 国赛 / MCM-ICM 美赛). Solver → Paper → Finalizer → Growth. 数学建模全流程 AI 助手。**

为数学建模比赛准备的四阶段 AI Skills。 从拿到赛题，到建模、论文、提交检查，再到赛后复盘。

---

🔍 主要特性

打比赛往往会遇到以下这些事：

队友彻底摆烂，建模、代码、论文突然全压到你一个人身上；

第一次参赛，题目每个字都认识，连起来却不知道第一步该干什么；

网上搜了一大堆提示词和模板，发现又麻烦又难用；

问 AI 问出十几套模型，每套都说得头头是道，却不知道哪套真的值得往下做；

模型终于跑完，又开始和格式、公式、图表、文风、语法死磕；

熬到提交前最后几个小时，还要面对另一个问题：

**现在文件夹里的这些东西，到底能不能放心交？**

这些都是我自己打数学建模时想解决的问题。

所以，我把一场比赛拆成了四个 Skills：

Solver → Paper → Finalizer → Growth

**Solver** 帮你把题做明白。 **Paper** 把模型和结果整理成一篇能讲清楚的论文。 **Finalizer** 在提交前检查数字、附件和最终版本。 **Growth** 在比赛结束后，把这三天真正学到的东西变成下一次还能用的经验。

四个 Skill 可以单独使用，也可以通过阶段交接一路接着跑下去。

---

Solver — 先把题做明白

Solver 负责建模阶段：

**读题 → 发散方案 → 查证 → 选择模型 → 求解 → 验证 → 攻击结果 → 交接**

拿到一道题以后，它会先保留多条可能的建模路线，再通过数据、约束、文献和实际求解结果逐步收敛。

得到一个候选答案以后，检查还没有结束。

Solver 会继续追问：

• 参数的数量级合理吗？
• 约束真的全部满足了吗？
• 换一组初值还成立吗？
• 有没有局部最优？
• 有没有被忽略的经典失败模式？
• 主动寻找这个答案的漏洞以后，它还能站得住吗？

通过验证的关键结果会被整理成明确的结果与证据，再交给 Paper 使用。

这样下一阶段拿到的就是一份已经整理过的建模成果。

---

Paper — 把做出来的东西讲明白

模型能跑，只解决了比赛的一半问题。

Paper 读取 Solver 已经确认的结果，把：

问题
 ↓
假设
 ↓
模型
 ↓
算法
 ↓
结果
 ↓
结论

整理成一条能够顺着读下去的论文主线。

它会重点处理几类很常见的问题：

公式已经改了，正文还在解释旧模型；

程序跑出了新结果，论文里还留着昨天的数字；

图表和正文说的是两件事；

模型本身没问题，论文却没把“为什么这样做”说明白。

因此，Paper 会让正文、公式、图表、算法和最终结果沿着同一份已确认事实继续展开。

**Solver 负责把结果做出来，Paper 负责把过程讲清楚。**

---

Finalizer — 提交之前，把所有东西重新查一遍

数学建模最后几个小时，经常死在一些特别小的问题上：

旧结果还留在正文里；

论文里的数字和附件对不上；

图已经换了，图注没换；

支撑材料漏了文件；

最终版、终稿版、终稿最新版同时躺在一个文件夹；

三个人都觉得“这个应该有人检查过了”。

Finalizer 专门负责这个阶段。

它会围绕最终提交物检查：

**关键数字、正文、图表、附件、文件完整性和版本一致性。**

确认过的内容进入冻结状态，发现冲突的地方继续追溯来源。

直到你能够回答一个很简单的问题：

**我现在准备提交的这些文件，彼此说的是同一件事。**

---

Growth — 打完比赛，把经验留下来

比赛结束以后，文件通常都会留下来。

比如一份 PDF。

几百行甚至几千行代码。

一堆图表。

几十轮 AI 对话。

还有虚假的收获感

过一个月再回头看，却经常只记得自己熬过夜。

Growth 会读取前三个阶段留下来的过程，把比赛重新拆开：

• 当时为什么选择这个模型？
• 哪一步判断做对了？
• 哪些结果有充分证据，哪些只是刚好运气不错？
• 时间主要浪费在哪里？
• 哪些错误下一场比赛还可能重新出现？
• 哪些数学、算法和写作知识值得比赛结束后继续补？
• 下一次遇到类似问题，第一步应该怎么做？

我希望最后留下的不只是一份赛后总结。

还有把一次比赛整理成