数模竞赛AI智能体搭建：从知识库向量检索到代码生成全流程-平芜编程栈

华数杯数学建模竞赛有一个很真实的情况：比赛时间紧张，赛题发散，论文要求高。很多队伍不是不会建模，而是卡在“怎么把思路快速落地成代码，再快速整理成论文素材”。我这次想分享的，是一个可以随手用的AI智能体方案——把它搭好之后，读题、检索相关资料、生成Python代码、整理论文章节初稿，都能在同一个工作台里完成。

先说结论：这件事不需要买昂贵显卡。智能体跑在云端平台，知识库和模型调用都走HTTP接口，本地只需要一个浏览器加一个Python环境用来验证生成的代码。你真正需要花时间的是两件事：把历年华数杯赛题、算法模板、团队笔记整理成一个知识库；把“赛题分析—知识检索—代码生成—论文润色”的工作流调通。

这篇文章会从零教你搭一套“数模竞赛辅助智能体”。内容覆盖智能体架构、知识库向量检索、工作流配置、API调用、批量任务和常见问题排查。如果你团队里正好有准备华数杯的同学，建议把这篇发给队长，跟着搭一遍能省不少事。

1. 核心能力速览

能力项	说明
智能体类型	数学建模竞赛辅助智能体（RAG + 工作流）
核心功能	赛题解析、算法推荐、Python代码生成、论文素材整理、批量数据处理
知识库	数学建模论文库、算法模板库、赛题数据说明，以向量数据库存储
支持平台	扣子Coze、Dify等智能体平台，或自建服务
显存需求	使用云端大模型API时本地无需GPU；本地部署模型需按实际模型测试
启动方式	Web页面拖拽配置、API服务调用
是否支持API	是，智能体平台一般提供HTTP接口
是否支持批量任务	是，通过工作流循环或外部脚本批量调用
适合场景	数模竞赛、学术写作辅助、自动化数据分析

这套方案的重点不是训练模型，而是把现有的大模型能力编排成一条可复用的工作流。智能体负责理解问题、从知识库里找依据、生成代码和文字初稿；人负责验证、修正和最终决策。分工明确之后，竞赛期间的高频重复劳动可以被压缩到很短时间内。

2. 适用场景与使用边界

2.1 适合谁用

首先要明确：这套AI智能体不是“自动答题器”，而是“效率增强工具”。它适合下面几类人：

已经具备一定Python和建模基础，想在竞赛期间减少重复代码编写时间的参赛队伍。
团队里有论文手、建模手、编程手，但缺少一名“资料检索员”，希望用知识库统一管理历年论文和算法模板。
正在从零学习数学建模，希望通过智能体快速了解某个算法适用场景和实现框架的学生。
指导教师需要快速评估多份赛题思路，用智能体做初步方案筛选。

如果把智能体当作“输入赛题直接输出完整论文”的工具，那方向就错了。当前大模型生成的代码和文字仍然会出现幻觉，直接提交会带来很大风险。正确的用法是把它当做一个“带资料检索能力的编程助手”，人做最终把关。

2.2 能解决什么问题

赛题理解阶段：输入题目文字，智能体输出问题背景、目标函数、约束条件、可选的建模思路。
建模选型阶段：根据数据规模和问题类型，推荐回归、分类、优化、微分方程、图论等具体方法。
代码实现阶段：生成带注释的Python代码，包括数据读取、特征工程、模型训练、结果可视化。
论文写作阶段：生成“模型建立与求解”章节的大纲，以及结果分析部分的初稿。
批量处理阶段：一次性处理多个问题，比如多张数据表的统计描述或多个算法的效果对比。

2.3 使用边界与合规提醒

这一点必须放在前面：数学建模竞赛允许使用编程工具，但AI工具是否允许、是否需要申报，要以华数杯当年官方通知为准。使用智能体辅助不等于可以代写论文。论文中的核心模型、推导过程和最终结论，必须由参赛队员自己理解并负责。

同时要注意隐私与版权边界：

未公开的赛题数据不要上传到不受控的第三方服务。如果赛题有保密要求，优先使用本地部署的模型和知识库。
知识库中的历年论文如果来源不明，不要直接照搬全文，只抽取方法描述和结构思路，并在论文中正确引用。
生成代码如果涉及第三方库，注意依赖版本和开源许可。

3. 环境准备与前置条件

搭建这套智能体，依赖一个“平台 + 知识库 + 模型服务 + 本地验证环境”的组合。下面是一份通用检查清单。

3.1 智能体平台

推荐从成熟平台入手，减少运维成本。

扣子Coze：国内访问方便，自带知识库、工作流、插件和市场模型，适合快速搭建。
Dify：开源项目，支持本地部署，也提供云服务，适合有自部署需求的团队。
FastGPT：偏知识库问答，适合做论文检索和赛题问答。

如果团队有开发能力，也可以完全自建：大模型API + 向量数据库 + Web服务。但考虑到竞赛时间窗口短，建议首次使用先从扣子Coze或Dify这类平台起步。

3.2 Python本地环境

智能体生成的代码最终要落地跑通，所以本地必须有一套可运行的Python环境。

# 建议使用 Anaconda 创建独立环境 conda create -n math_model python=3.10 -y conda activate math_model # 基础数学建模常用库 pip install numpy pandas scipy scikit-learn matplotlib seaborn openpyxl

以上命令是通用安装方式，实际使用时按团队需要增加库。Jupyter Notebook推荐同时安装，因为竞赛期间需要频繁做数据探索和代码调试。

3.3 知识库与向量数据库

知识库的作用是把“历年华数杯优秀论文、算法模板、团队笔记”这些非结构化资料变成可供大模型检索的依据。

关于“企业知识库是存放在向量数据库中的吗”这个问题，答案是：知识库本身是文档集合，但为了支持语义检索，文档会被切分成文本块，再通过Embedding模型转换成向量，存放在向量数据库中。查询时，系统把用户问题也转换成向量，检索出最相似的一段或几段文本，拼进Prompt喂给大模型。

常见向量数据库：

向量数据库	特点	适用场景
Chroma	轻量，本地文件存储	小规模知识库测试
Qdrant	Rust实现，性能好	中大规模知识库
Milvus	分布式，功能全面	团队级知识库
平台内置知识库	免运维	快速搭建验证

如果是第一次测试，直接用智能体平台自带的知识库功能即可，不需要单独部署向量数据库。后面知识库大了，再迁移到独立向量数据库不迟。

3.4 大模型API

智能体的核心推理能力来自大模型。两种路线：

云端API路线：使用平台自带模型或接入DeepSeek、通义千问等API。优点是本地无硬件压力，缺点是需要网络和API额度。
本地部署路线：使用Ollama或LM Studio跑Qwen等开源模型。优点是数据不出内网，缺点是需要显存和调试时间。

竞赛期间建议优先用云端API路线，把时间集中在业务逻辑上。

4. 智能体架构与知识库设计

4.1 整体架构

一个数模竞赛辅助智能体的结构通常是四层：

输入层：用户输入赛题文字、数据说明或具体问题。
编排层：工作流节点，负责调用知识库、大模型、代码解释器。
存储层：向量数据库存放文档切片，本地文件系统存放数据和输出结果。
输出层：返回结构化分析、代码、Markdown论文素材。

编排层的核心是一个“先检索后生成”的RAG流程。当用户问“这个优化问题应该用什么算法”时，工作流先到知识库检索“优化算法”“TSP问题”“遗传算法”等关键词的语义相似内容，再把检索结果拼进Prompt，让大模型基于这些内容回答。

4.2 知识库内容设计

知识库质量直接决定智能体的回答质量。建议建立三个独立知识库：

第一个是赛题库：包含近几年公开的赛题题目、数据说明、解题思路摘要。这部分用来帮助智能体快速理解“这类问题以前是怎么解的”。

第二个是算法模板库：包含线性回归、逻辑回归、决策树、随机森林、XGBoost、遗传算法、模拟退火、排队论、层次分析法等算法的适用条件、伪代码、注意事项。这是智能体生成代码时最主要的依据。

第三个是写作素材库：包含论文结构模板、常用句式、图表描述模板、误差分析写法。这部分主要服务论文润色节点。

4.3 文档切块示例

知识库文档不能整篇塞给模型，需要切块。切块太小语义不完整，太大检索不够精确。一般以500到1500字为一块比较常见。下面是一个通用切块示例。

from langchain.text_splitter import MarkdownHeaderTextSplitter # 通用示例：读取Markdown格式的算法文档，按标题切块 headers_to_split_on = [ ("#", "H1"), ("##", "H2"), ("###", "H3"), ] splitter = MarkdownHeaderTextSplitter(headers_to_split_on=headers_to_split_on) with open("algorithm_templates.md", "r", encoding="utf-8") as f: content = f.read() chunks = splitter.split_text(content) print(f"分块数量: {len(chunks)}") for chunk in chunks[:3]: print(chunk.metadata) print(chunk.page_content[:200])

这段代码只是一个片段，实际运行时需要安装langchain，并且根据文档格式调整分隔符。切块之后，每个块会被Embedding成向量再入库。

4.4 提示词工程建议

智能体的效果很大程度取决于提示词。给“赛题分析节点”和“代码生成节点”使用不同的提示词，效果会明显更好。

赛题分析节点提示词模板：

你是数学建模竞赛指导助手。请按以下结构分析用户提供的赛题： 1. 问题重述：用三句话概括题目要求。 2. 目标分析：列出需要优化的核心目标。 3. 约束条件：列出题目中的限制条件。 4. 可行方法：结合知识库检索结果，列举3种可行建模思路，并说明适用性。 5. 风险提示：指出数据量和计算资源的潜在瓶颈。 回答语言：中文。不要直接给出完整代码。

代码生成节点提示词模板：

你是Python算法工程师。根据用户描述的数据格式和建模方法，生成完整可运行的Python代码。 要求： - 使用pandas读取数据，字段名用占位符表示。 - 包含数据清洗、特征构造、模型训练、结果评估、可视化五个部分。 - 关键步骤添加中文注释。 - 如果数据量较大，优先使用适合大规模数据的实现。

这样的提示词能让输出更结构化，减少“模型自说自话”的情况。

5. 搭建与部署：工作流配置

5.1 在智能体平台上创建一个数模助手

以扣子Coze为例，通用流程如下：

登录平台，进入“智能体”页面，点击创建智能体。
填写名称，例如“华数杯数模助手”，选择基础模型。
在人设与提示词中粘贴上一步写好的赛题分析提示词。
在知识库模块创建三个知识库：赛题库、算法模板库、写作素材库，上传处理好的文档。
创建工作流：开始节点 → 知识库检索节点 → 大模型节点 → 结束节点。
工作流中把知识库检索结果作为上下文变量传给大模型节点。
保存并预览，先在调试窗口输入一条简单问题测试。

需要说明的是，平台界面和字段名称会不断更新，具体以实际页面为准。整个搭建过程的核心思路是：每一个工作流节点只做一件事，节点之间通过变量传递数据。

5.2 工作流节点设计

推荐在智能体内建立多个独立工作流，而不是把全部逻辑塞进一个流程里。

第一个工作流叫“赛题解析”：输入赛题文字，输出问题重述、目标分析、约束条件和可行方法。

第二个工作流叫“代码生成”：输入数据格式说明和建模方法，输出带注释的Python代码。

第三个工作流叫“论文润色”：输入论文片段，输出结构化的章节初稿和常用句式建议。

拆分成三个独立工作流的好处是：某一环节出错时，不会影响其他环节；遇到新赛题时，可以单独重新编排其中一步。

5.3 知识库检索参数

知识库检索节点的关键参数有：

召回条数：一般设置为3到5条。太少可能漏信息，太多会撑爆Prompt长度。
相似度阈值：低于阈值的结果直接丢弃。建议从0.3开始调试，根据实际问答效果调整。
检索范围：可以选择只检索某个知识库，也可以跨库检索。竞赛阶段建议分开检索，避免论文素材干扰代码生成。

6. 功能测试与效果验证

智能体搭好后，不要急着上赛题，先跑一组标准测试用例。下面给出四个测试维度和对应的验证方法。

6.1 测试一：赛题解析能力

输入一条模拟赛题描述，例如：

某快递公司在一个城市有50个配送站点和1个配送中心，车辆载重有限，每天需要规划配送路线，使总行驶距离最小。请给出建模思路。

预期结果：智能体输出问题重述、优化目标、约束条件，并推荐车辆路径问题或TSP相关算法，同时指出数据量和求解时间是风险点。

判断标准：输出的结构是否完整，推荐算法是否与赛题匹配。如果智能体只给出一个笼统的“用机器学习”方案，说明知识库缺少运筹优化类内容，需要补充算法模板。

6.2 测试二：代码生成与本地运行

向智能体提问：

请用Python读取data.csv，字段包括id、x1、x2、y。要求做线性回归，并输出R方和特征重要性。

把生成的代码复制到本地Jupyter运行。如果代码缺少字段名处理或没有导入pandas，需要调整提示词，要求“使用占位符表示字段名”并“包含必要的import语句”。

这个环节最容易暴露模型幻觉，所以代码务必在本地跑通后再进入正式工作流。

6.3 测试三：知识库命中率

在知识库中放入一篇关于“遗传算法求解TSP”的模板，然后向智能体提问：

有100个城市的TSP问题，数据量为100×100的距离矩阵，应该用什么算法？

观察智能体是否引用了知识库内容。如果它的回答和知识库模板毫无关系，说明检索节点配置有问题，优先检查文档是否已经完成向量化、召回条数是否过少。

6.4 测试四：批量问题处理

竞赛期间需要同时处理多个小问题，例如多个数据表的统计描述。可以把问题写成一个文本文件，逐行读取后调用智能体API批量处理。下面是一个通用Python调用示例：

import requests import time API_URL = "https://api.example.com/v1/chat" # 以实际平台接口为准 API_KEY = "替换为你的访问令牌" def ask_assistant(question): headers = { "Authorization": f"Bearer {API_KEY}", "Content-Type": "application/json" } payload = { "model": "你的模型名", "messages": [ {"role": "user", "content": question} ] } resp = requests.post(API_URL, json=payload, headers=headers, timeout=120) return resp.json() questions = [ "对data1.csv做描述性统计，输出均值、中位数、标准差", "对data2.csv检查缺失值并给出处理方案", "比较data3中A和B两个分组的均值差异" ] for q in questions: result = ask_assistant(q) print(result.get("choices", [{}])[0].get("message", {}).get("content", result)) time.sleep(2)

这段代码是通用模板，字段名和URL必须根据实际平台替换。批量任务的核心是增加间隔和重试机制，避免触发限流。

7. 接口API与批量任务

7.1 发布为API服务

智能体在平台上完成测试后，需要发布为API服务，才能被外部脚本调用。发布后通常获得一个HTTP接口地址、访问令牌和工作流ID或智能体ID。

调用方式一般有两种：

对话接口：发送用户问题，返回大模型回答。适合在线问答和论文草稿生成。
工作流接口：指定工作流ID，传入工作流参数，返回节点输出。适合批量执行固定流程。

竞赛团队建议优先使用工作流接口，因为赛题解析、代码生成、论文润色是三条固定流程，直接用工作流接口更稳定。

7.2 批量任务设计

批量任务适合以下场景：

对多个数据表执行相同的数据探索。
对多篇参考资料做摘要提取。
对论文的多个章节分别生成润色建议。

在脚本层面，可以做一个简单的队列和重试设计。

import time import requests TASK_QUEUE = [ "task1_description", "task2_description", "task3_description", ] def call_api(task): # 伪代码，实际替换为平台接口 resp = requests.post("API_URL", json={"task": task}, timeout=120) if resp.status_code == 429: raise RuntimeError("rate limit") return resp.json() for task in TASK_QUEUE: retry = 0 while retry < 3: try: output = call_api(task) print(task, "OK", output) break except Exception as e: retry += 1 print(task, "retry", retry, str(e)) time.sleep(10) time.sleep(3)

批量任务务必记录每个任务的输入与输出，建议统一保存为JSON文件，方便赛后复盘和审计。

7.3 输出格式约定

为了让批量结果能被下一个环节消费，建议在提示词中要求智能体输出JSON格式。

请以JSON格式返回结果，包含字段： { "summary": "简短结论", "code": "生成的代码", "risk": "潜在风险" }

然后脚本解析JSON，自动写入文件。

import json def save_result(task, raw_output): parsed = json.loads(raw_output) with open(f"result_{task}.json", "w", encoding="utf-8") as f: json.dump(parsed, f, ensure_ascii=False, indent=2)

这样可以避免在大量自由文本中人工查找关键信息。

8. 资源占用与性能观察

8.1 云端API路线

使用云端智能体平台时，本地资源占用非常低，主要消耗的是网络带宽和API请求额度。观察重点三个方面：

单次请求延迟：普通问答通常在几秒到十几秒，如果超过60秒，需要检查Prompt是否过长或模型是否负载过高。
API限流：批量任务最容易触发限流。建议在脚本中加入指数退避重试。
成本控制：每天记录调用次数和Token消耗，设置预算上限，避免竞赛期间额度用完。

8.2 本地部署路线

如果赛题数据有保密要求，可以选择本地部署大模型。此时需要关注显存占用。不同参数量的模型显存需求差异很大，没有一个固定值，必须以实际模型和量化方式为准。

降低显存占用的通用手段：

使用量化版本模型，例如4-bit量化。
降低最大生成长度。
显存不足时，让Embedding模型走CPU，只把大模型放GPU。
使用Ollama等框架自动管理模型加载和释放。

8.3 知识库检索性能

知识库文档数量不大时，检索时间基本可忽略。但当文档数量上万时，要关注向量数据库的查询延迟。常见优化方式：

控制单个文档切块的大小。
按知识库主题分库，缩小单次检索范围。
如果检索结果不准确，优先增加召回条数，而不是扩大检索范围。

9. 常见问题与排查方法

下面是搭建和运行过程中最高频的问题，按现象、原因、排查方式、解决方案拆开。

问题现象	可能原因	排查方式	解决方案
知识库检索不到内容	文档未完成向量化，或切块失败	查看知识库文档状态	重新上传并确认Embedding成功
智能体回答和知识库无关	检索召回条数过少或阈值过高	在调试窗口查看检索结果	增加召回条数，降低相似度阈值
生成的代码运行报错	大模型幻觉，缺少import或字段名	本地运行看具体报错	调整提示词，要求先解释算法再写代码
批量任务大面积超时	单次请求文本过长	查看日志中的请求时长	拆分子任务，限制输入长度
API返回限流错误	请求频率超过平台限制	检查响应状态码	增加sleep间隔并加入重试
上传PDF后知识库乱码	扫描版PDF无法直接读取	打开PDF查看文字层	先用OCR转换为文本再入库
智能体输出内容空洞	提示词约束不足	检查提示词是否要求结构化输出	使用分点、JSON、公式等格式约束
论文素材风格不统一	写作素材库样本过少	检查知识库内容覆盖度	补充优秀论文结构模板

排查顺序通常是：先看输入是否正确，再看知识库是否命中，最后看大模型输出。不要一上来怀疑模型能力，大部分问题都出在前面环节。

10. 最佳实践与合规提醒

10.1 工程化使用建议

第一，先跑通最小闭环。不要一开始就把全套工作流搭完，先用一个知识库加一个赛题解析节点，输入一条赛题，确认输出可用后再加代码生成节点。

第二，保留一套最小可运行配置。竞赛期间很容易改坏工作流，建议把稳定版本的提示词、知识库、工作流快照保存好，出了问题可以回滚。

第三，目录管理要规范。所有模型输入、生成的代码、输出结果按日期分类存放。

math_model_team/ ├── knowledge_base/ # 知识库原始文档 ├── data/ # 赛题数据 ├── scripts/ # 本地验证脚本 ├── output/ # 智能体生成的代码和结果 │ ├── 20250420/ │ └── 20250421/ └── prompts/ # 提示词备份

第四，为智能体的每次生成结果做记录。输出文件命名时带上任务ID、时间和模型名，方便赛后复现。

10.2 竞赛合规与学术诚信

使用AI智能体辅助数学建模竞赛，最终提交的论文和代码必须由团队自己负责。建议遵守以下原则：

以华数杯官方规则为准，确认AI工具是否允许使用、是否需要声明。
不要把未公开的赛题数据上传到无法控制的外部平台。
知识库中的历年论文只用作方法参考，不复制原文。
比赛结束后，如果需要公开代码和论文，要隐去敏感数据并检查版权。
遇到“直接生成整篇论文”的诉求时，智能体不应该被配置成这样工作，人必须参与核心建模和写作。

10.3 提升生成质量的小技巧

给智能体提供数据样例前几行，它生成的代码更容易匹配真实字段。
生成代码后立即本地运行，把报错信息回传给智能体，让它修复。
对回复内容敏感的任务，要求智能体标注信息来源。
如果感觉回答质量下降，先检查Prompt长度是不是被检索内容撑爆，再检查模型是否选错。

11. 总结与下一步

这套“华数杯AI智能体”最有价值的点，是把知识库检索、大模型生成和批量任务编排成了一条可以复用的工作流。它不解决所有问题，但能把竞赛中查资料、写代码、整理论文素材这几个环节的重复劳动降下来。

建议第一步先验证两个核心能力：赛题解析和Python代码生成。把这两个节点调通后，再加入论文润色和批量任务。

最容易踩的坑有三个：知识库质量差导致检索不准、提示词没有结构导致输出发散、批量任务触发限流导致脚本卡死。这三个问题都在本文前面给出了对应的排查方式。

下一步可以考虑把工作流扩展到其他团队场景：比如把知识库替换成课程资料变成学习助手，或者把代码生成节点接到自动执行环境，让智能体不仅能写代码还能直接运行代码。基础架构是一样的，换一层业务数据就能复用。建议收藏备用，比赛前一周搭好，赛题发布当天就能直接用。