如何用MathModelAgent的2analysis-modeling技能做赛题分析？建模报告全流程详解
【免费下载链接】MathModelAgent🤖📐专为数学建模设计的 Agent & skills ,自动完成数学建模，生成一份完整的可以直接提交的论文。 An Agent Designed for Mathematical Modeling ,Automatically complete mathmodel and generate a complete paper ready for submission.项目地址: https://gitcode.com/GitHub_Trending/ma/MathModelAgent
MathModelAgent 是一个专为数学建模设计的开源 Agent，能自动完成赛题分析、数学建模、代码实现与论文撰写，最终生成一份可直接提交的竞赛论文。而整个建模流程中，最容易被新手忽视、却最决定论文成败的环节，正是赛题分析与建模设计——MathModelAgent 通过2analysis-modeling技能，把「读题 → 拆解 → 建模 → 输出建模报告」全流程自动化。本文将带你完整走一遍这个技能的工作流程，看懂一份合格的建模报告是怎么诞生的。
MathModelAgent 是什么？
简单说：把 3 天的比赛时间压缩到 1 小时。
它由「建模手、代码手、论文手」等多个 Agent 协作完成完整工作流，支持本地 Jupyter 或云端代码解释器，内置 17 套中英文赛事论文模板（国赛、华数杯、华为杯、MCM 等），并配套 9 步自动验收。项目已完全由 Skills 驱动，每个阶段都是可单独调用的独立 Skill。
📦 想亲自跑一遍？克隆仓库后按 README.md 的 Docker 方式部署即可：
git clone https://gitcode.com/GitHub_Trending/ma/MathModelAgent cd MathModelAgent docker-compose up
2analysis-modeling 在建模全流程中的位置
MathModelAgent 的完整流程由入口技能1start-mathmodel统一调度，共 5 个阶段（见 skills/1start-mathmodel/SKILL.md）：
| 阶段 | Skill | 作用 | 主要产物 |
|---|---|---|---|
| 1. 赛题分析与建模设计 | 2analysis-modeling | 解析题意、拆解子问题、建立模型 | reports/ANALYSIS_MODELING_REPORT.md |
| 2. 编程实现和图表生成 | 3coding-visual | 实现可复现代码，跑出结果和图表 | code/、figures/ |
| 3. 流程与架构图绘制 | 4drawio | 绘制方法流程图、架构图等非数据图 | figures/*.drawio |
| 4. 竞赛论文撰写 | 5writing | 基于结果撰写论文并插入图表 | paper/ |
| 5. 验证和验收 | 6verity | 数值一致性、编译、提交就绪检查 | reports/VERIFY_REPORT.md |
可以看到，2analysis-modeling是整个流程的地基：它产出的建模报告，直接决定后续代码怎么写、图表怎么画、论文怎么排版。报告质量高，后面四个阶段才能顺利自动化；报告有歧义，错误会一路放大到最终论文。
5 步工作流程：赛题分析如何自动化
技能的完整定义见 skills/2analysis-modeling/SKILL.md。它以题面 PDF/文本 + 数据附件为输入，按 5 个步骤推进，最终产出唯一指定文件reports/ANALYSIS_MODELING_REPORT.md。下面以仓库内置的 2024 高教杯 C 题「农作物的种植策略」为例（题面见 backend/app/example/example/2024高教杯C题/questions.txt）逐步拆解。
Step 1：子问题拆解——只认「明确编号的顶层问题」
这是新手最容易踩的坑：把背景描述、数据说明、提交要求误当成独立子问题。技能明确要求：只把题面中明确编号的问题（如「问题一/二/三」）当作子问题。
报告开头必须写明「本赛题共 X 个子问题」，且每个子问题都要说明 6 要素：
- 输入数据和已知条件
- 决策变量或预测对象
- 目标函数或评价指标
- 约束条件
- 与其他子问题的依赖关系
- 需要用哪些图像或表格展示结果
以上例题为例，问题 1（稳定条件下的最优种植方案）、问题 2（含不确定性）、问题 3（含作物间相关性并模拟求解）层层递进——这种「递进性」正是后面假设校验的关键线索。
Step 2：假设敏感性预检——先别急着定模型
题面里总有一些模糊表述，比如「不宜太小」「大致稳定」。技能要求：每个影响结果的歧义至少给出两种解释，再用简单验算或逻辑递进判断选择哪种，且报告必须包含固定小节：
- 模糊表述及解释
- 快速验算与递进性检查
- 最终采用的解释
- 绘制的图像和对比表格
其中有一条非常实用的判据：如果某个假设会让后续问题的新增条件「没有边际效果」（比如问题 2 明明加了不确定性，结果却和问题 1 几乎一样），就要回头调整解释。这一条能有效避免模型「形同虚设」。
Step 3：数据理解与建模路线
对每份附件做数据体检：行列规模、字段解释、缺失/异常/重复、单位是否一致、哪些变量可直接建模、哪些指标需要派生。
然后给出总体路线，例如：
题面 -> 数据清洗(EDA) -> 问题一模型 -> 问题二模型 -> 问题三模型 -> 结果检验 -> 论文展示这条路线图就是后续3coding-visual阶段写代码的顺序蓝图。
Step 4：建模报告——清晰到「代码能直接实现」
这是技能的核心产出。每个子问题至少包含 9 项内容：问题目标、符号和变量、模型假设、目标函数、约束条件、求解方法、输入输出、代码实现要点、结果校验方法。公式必须清楚到代码阶段可直接实现；算法描述要包含核心步骤、停止条件、复杂度或可行性说明。
推荐的报告结构如下（子问题数量按实际题面调整，不要硬凑）：
# 建模报告 ## 1. 总体建模框架 ## 2. 数据处理方案 ## 3. 符号说明 ## 4. 问题一模型 ## 5. 问题二模型 ## 6. 问题三模型 ## 7. 灵敏度分析与检验方案 ## 8. 代码实现任务清单需要领域判断时，技能会自动参考内置的规范知识库 skills/_references/math_modeling_norms.md，其中收录了赛题理解、假设与模型建立、题型防错速查，以及 AHP、TOPSIS、ARIMA、GA 等模型选型决策树，能显著降低大模型的幻觉。
Step 5：给代码阶段的接口——「代码实现任务清单」
报告末尾必须有一张任务清单表格，把建模方案翻译成代码任务，格式固定：
| 任务 | 输入 | 输出 | 方法 | 校验 |
|---|---|---|---|---|
| 问题一 | 附件1/2 数据 | result1_1.xlsx | 线性规划 | 对比两种滞销处理 |
| 问题二 | 增长/波动参数 | result2.xlsx | 随机模拟+优化 | 与问题一结果对比 |
这张表就是下一阶段3coding-visual的「施工图纸」，保证了分析、建模、编码三个阶段零歧义衔接。
建模报告如何衔接后续阶段？
2analysis-modeling只负责「纸上方案」，它刻意不写论文正文、不生成最终 paper、不提前做图表排版——这些分别属于后面的技能。当报告交付后：
3coding-visual读取报告，逐子问题实现代码、验证约束、生成RESULTS_REPORT.md和论文可用的图表 PDF；5writing撰写论文时，所有数值必须来自RESULTS_REPORT.md，不允许编造；6verity最后做数值一致性、占位符泄漏、编译等 9 步验收。
质量要求：一份合格建模报告的 5 条底线
技能对报告质量设定了硬性约束，也是你人工复核时的检查清单：
- ✅ 所有结论都能回到题面或数据
- ✅ 不编造数据字段和数值
- ✅ 不跳过歧义分析
- ✅ 模型既要有数学表达，也要能被代码实现
- ✅ 数据不足或题面不清时，明确记录风险和替代方案
小结
2analysis-modeling技能把资深建模手「读题—拆解—预检—建模—交接」的完整思考过程沉淀成了可复现的 5 步流程：只认编号子问题、歧义先给两种解释、数据先体检、公式清晰到可编码、末尾附任务清单。掌握这套流程，哪怕不跑 Agent，你手动做赛题分析时也能直接照着执行——这或许才是本技能对新手最大的价值。
【免费下载链接】MathModelAgent🤖📐专为数学建模设计的 Agent & skills ,自动完成数学建模，生成一份完整的可以直接提交的论文。 An Agent Designed for Mathematical Modeling ,Automatically complete mathmodel and generate a complete paper ready for submission.项目地址: https://gitcode.com/GitHub_Trending/ma/MathModelAgent
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
