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下一次可以继续使用的经验。

四个 Skill 怎么接起来？

每个阶段解决一个明确的问题，并把确认过的信息交给下一阶段。

                     Math Modeling Skills

赛题
 │
 ▼
Solver
思路发散 / 模型选择 / 求解 / 验证 / Self-Attack
 │
 │ 结果 + 证据 + Handoff
 ▼
Paper
论文结构 / 公式 / 图表 / 结果解释
 │
 │ Paper Handoff
 ▼
Finalizer
关键数字 / 附件 / 版本 / 一致性检查
 │
 ▼
最终提交
 │
 ▼
Growth
复盘 / 知识缺口 / 失败模式 / 下一次行动

长任务最容易出现的问题之一，是上下文越来越多以后，早期事实开始发生漂移。

所以四个 Skill 各自保存清晰的阶段目标，并通过 Handoff 传递已经确认的信息。

这套工作流怎么做判断？

先发散，再收敛

Solver 会先保留多个候选方向，再通过查证、求解和验证逐步淘汰。

第一个能跑通的模型只是候选方案。

验证自己初步结果的正确性

得到候选解以后，Solver 会主动寻找失败模式、异常参数、约束漏洞和局部最优。

一个经得住攻击的结果，比一句“结果合理”更有价值。

让关键事实有明确来源

关键结果通过阶段产物继续传递。

Paper 和 Finalizer 都围绕已经确认的数据工作，减少同一个指标在代码、论文和聊天记录里出现多个版本。

给比赛设置停止条件

比赛时间有限。

当模型已经达到当前证据能够支持的可信程度以后，工作重心会逐步转向论文、验证和最终提交。

该冻结的结果就冻结。

Quick Start

四个 Skill 可以分别安装。直接交给你的agent叫他帮你安装即可。（Claude code，codex等均可使用）

Solver

npx skills@latest add mantou6666/Math-Modeling-Agent-Flow --skill math-modeling-solver --global --yes

Paper

npx skills@latest add mantou6666/Math-Modeling-Agent-Flow --skill math-modeling-paper --global --yes

Finalizer

npx skills@latest add mantou6666/Math-Modeling-Agent-Flow --skill math-modeling-finalizer --global --yes

Growth

npx skills@latest add mantou6666/Math-Modeling-Agent-Flow --skill math-modeling-growth --global --yes

安装后，你可以从当前最需要解决的问题开始：

刚拿到赛题          → Solver
模型已经完成        → Paper
论文基本完成        → Finalizer
比赛已经结束        → Growth

也可以从 Solver 开始，沿着完整流程一路运行：

Solver → Paper → Finalizer → Growth

使用边界

这些 Skills 可以辅助建模、验证、论文整理、提交检查和赛后复盘。

它们不会替你承担最终判断。

数学模型是否成立、数据是否可靠、引用是否真实、结论是否能够解释，都需要参赛者自己确认。

不同比赛对 AI 工具的允许范围也不同。正式使用前，请阅读对应赛事当年的规则。

最终提交的每一个模型、数字、引用和结论，都应该是你自己能够解释的内容。

如果连自己都说不清楚，就不要交。

修改与二创

本项目使用 MIT License。

如果你希望调整工作流、修改 Skill 行为或者做成更适合自己的版本，可以直接 Fork 后自行修改和发布。

为什么做这个项目？

最开始，我只是想把自己打数学建模时反复遇到的问题解决掉。

做着做着，我发现很多时间其实消耗在一些非常具体的地方：

AI 给出了太多方向，却没人负责收敛；

模型已经更新，论文还在引用旧结果；

任务跑了几十轮以后，前面的事实开始慢慢漂移；

得到一个不错的答案以后，很少有人继续主动找它的问题；

比赛结束以后，踩过的坑跟着聊天记录一起被忘掉。

于是这些问题一个个变成了现在的四个 Skills。

Solver 管建模。

Paper 管论文。

Finalizer 管提交。

Growth 管真正学到了什么。

最后分享一句我很喜欢的话：

我们不是一定要先成长再开始。

我们也可以选择在开始中成长。

⭐️ 如果这套四阶段流程帮到了你

这套工具完全开源（MIT License），是一个大学生熬夜手搓出来的。

如果你觉得「先发散 → 再收敛 → 再攻击自己的结果」这套思路救了你的命，或者准备比赛时想把它接着用下去，欢迎在 GitHub 右上角顺手点个 Star ⭐️。

你的每一个 Star，都是这个牛马大学生继续更新这套工具的燃料。