前言¶
数学建模竞赛（如华中杯、全国大学生数学建模竞赛 CUMCM）往往是多小问、多数据文件、约束层层叠加。常见做法是直接让 AI「写个优化模型」，结果容易漏读题面参数、目录混乱、各小问之间无法复用代码，调试时也难以定位约束违反来自哪一段逻辑。
下面介绍 SkillHub 上的社区 Skill「通用数学建模工作流」（@user_3937f0b6/math-modeling-solver）。它用标准 SKILL.md 把解题过程固定为五个阶段：理解题意、架构设计、实现求解器、校验调试、结果分析，并附带数据结构、代价函数与贪心插入等可复用模式，适合在 Cursor 等 Agent 里作为长期启用的工作流说明。
这是什么¶
一句话定位：面向数学建模竞赛多小问赛题的系统化 Agent Skill，指导从读题与探数到建模、编码、验证与交付的完整流程。
- 坐标：
@user_3937f0b6/math-modeling-solver - 版本：1.0.0
- 来源：SkillHub 社区（
community），发布者user_3937f0b6 - 分类：education
- 标签：
requires_api_key=false（无需配置 API Key） - 官方页面：SkillHub - 通用数学建模工作流
Skill 英文简介与页面一致：Solve math modeling competition problems (Huazhong Cup, CUMCM, etc.) with a systematic workflow — data exploration, model building, algorithm implementation, result analysis.
核心功能¶
以下内容均来自该 Skill 的 SKILL.md，安装后 Agent 会按此文档响应「解建模赛题」类请求。
五阶段工作流¶
- Phase 1：理解问题 — 通读各小问与数据文件；加载并检查 Excel/CSV；从题面提取全部模型参数（速度、惩罚系数、排放因子等）。
- Phase 2：设计解法架构 — 约定目录（如
problem_A/code、data、figures）；选定建模方法（混合整数规划、启发式、动态规划等）；规划求解管线（加载预处理、初解构造、局部搜索、约束检查、多分量代价）；约定 JSON + TXT 输出。 - Phase 3：实现求解器 — 以 Python + pandas/numpy 为主；实现时变速度、U 型能耗、载重修正、软时间窗惩罚、碳价等代价项；贪心构造 + 2-opt；车队规模约束；多小问可增量叠加约束。
- Phase 4：校验与调试 — 检查容量、时间窗等约束；针对具体违反写修复逻辑而非通用补丁；与更简单基线对比合理性。
- Phase 5：结果分析 — JSON 结构化结果、可读摘要、汇总统计（总成本、里程、CO₂、车型数量、装载率等）；跨小问对比。
内嵌模式与交付物¶
Skill 文档中给出了可照抄的代码结构示例，包括：
- 图/路网类数据的
info字典结构（节点、距离矩阵、时间窗、绿区客户等） route_cost式多分量路径代价计算- 按时间窗排序的贪心插入与违规扫描/修复思路
- 多小问递进：第 N+1 问在上问基线上加约束并对比
每个小问建议产出：problemX_solver.py、problemX_result.json、problemX_result.txt、figures/*.png；跨小问还可有对比报告与论文模板（DOCX/TXT）等，具体以你在对话中与 Agent 约定的赛题为准。
安装与启用¶
安装方式以 SkillHub 安装文档 为准。先确认 CLI：
command -v skillhub && skillhub --version
未安装时可执行完整安装（文档推荐）：
curl -fsSL https://skillhub-1388575217.cos.ap-guangzhou.myqcloud.com/install/install.sh | bash
安装 Skill 时必须用 --dir 指向当前 Agent 的 skills 目录，否则默认落在 ./skills/ 可能不会被识别：
skillhub install @user_3937f0b6/math-modeling-solver --dir <skills 目录>
常用路径（摘自 SkillHub 安装文档）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或项目下的.agents/skills/
也可按 SkillHub 页面提示，让 AI 根据 https://skillhub.cn/install/skillhub.md 安装 @user_3937f0b6/math-modeling-solver。安装后按你所用客户端要求重启或刷新 Agent，使 Skill 生效。
典型用法¶
Skill 在 description 中声明：当用户要求解数学建模竞赛题（尤其华中杯、CUMCM 等多小问形式）时使用本 Skill。下面是可以直接复现的交互方式，不涉及虚构赛题数据。
- 在 Cursor 等环境中完成上述安装，确保
math-modeling-solver出现在 skills 目录。 - 新建或打开赛题工作区，把官方数据文件放在约定目录（如
problem_A/data/）。 - 用自然语言说明任务，例如：「这是 CUMCM 某年 A 题，共三问，请按通用数学建模工作流：先读题并列出参数，再为每问建
code/data/figures目录，用 Python 实现求解并输出 JSON 和 TXT。」 - Agent 应按 Phase 1→5 推进：先探数与参数表，再选模型与管线，实现后跑约束检查，最后汇总统计与跨问对比。
若赛题属于路径优化、车队调度类，Skill 中的 info 结构、代价函数与贪心插入片段可作为实现参考；其他题型仍适用阶段划分与交付物清单，具体模型需结合题面由 Agent 调整。
适用场景与注意¶
适合谁
- 参加华中杯、CUMCM 等竞赛，需要稳定目录结构与可迭代的多小问求解流程的团队或个人。
- 希望 Agent 少跳步、先读数据再写模型，并输出 JSON/图表/报告等标准交付物的开发者。
限制与注意
- 本 Skill 是工作流与模式说明，不自带可执行 Python 包；实现质量仍依赖题面、数据与你在对话中的约束。
- 文档示例偏重组合优化、路径与代价分解；非此类赛题需自行替换 Phase 2 的建模选型，但五阶段顺序仍可用。
- 社区来源 Skill，使用前可在 SkillHub 页面查看版本与说明；当前抓取信息为评分 100000、下载 1825 次、安装 5 次（以 SkillHub 展示为准，会随时间变化）。
requires_api_key=false仅表示 Skill 本身不要求 Key；本地运行求解器仍可能需要 Python 环境与 pandas、numpy 等依赖，由你在项目中安装。
结尾¶
「通用数学建模工作流」把竞赛建模从「一次性生成代码」改成可检查的五阶段流水线，并写清目录、代价函数与交付物格式，适合挂在 Cursor 的 skills 目录里长期启用。安装与详情见 SkillHub：https://www.skillhub.cn/skills/user_3937f0b6/math-modeling-solver，API 条目：https://api.skillhub.cn/user_3937f0b6/math-modeling-solver。
