Math Modeling Skills
Два скилла для конкурсов по математическому моделированию CUMCM и MCM/ICM: разбор задачи, выбор модели, код и статья
- 428 ★ репозитория
- Последний коммит
- MIT
Расширенный доступ
Почему такой уровень
- Шаблоны на Python и MATLAB выполняются на вашей машине, как и любой код, сгенерированный агентом
- На этапе литературы скилл выполняет до пяти поисковых запросов в сети, и фрагменты условия задачи могут попасть в запросы
Установка
- Работает в
В терминале, через SkillFoxx CLI
npx skillfoxx add skills/math-modeling-skillsОпределит агенты на машине, покажет уровень доступа и зафиксирует версию.
Другие способы установки
Доступ и проверки
Как мы проверяемРасширенный доступИнструмент запускает код или ходит в сеть, а внешние данные только читает.
- Шаблоны на Python и MATLAB выполняются на вашей машине, как и любой код, сгенерированный агентом
- На этапе литературы скилл выполняет до пяти поисковых запросов в сети, и фрагменты условия задачи могут попасть в запросы
Это чужой код. Посмотрите файлы в репозитории перед установкой.
Что делает
Math Modeling Skills — два скилла для конкурсных задач по математическому моделированию: китайского CUMCM (задачи A, B, C) и международного MCM/ICM (задачи A–F). Правила и шаблоны автор вывел из разбора больше 150 призовых работ 2018–2025 годов. Скилл math-modeling-solver ведет от условия к коду. Он определяет, какой математической природы каждая подзадача (всего 12 типов), при необходимости ищет литературу, подбирает модель по матрице из 95 сценариев с запасными вариантами и границами применимости и выдает код. В наборе восемь справочников по алгоритмам, 22 шаблона на Python, 7 на MATLAB и 12 разобранных примеров полного пути от задачи до решения. Скилл math-modeling-paper помогает написать работу: структура для обоих конкурсов, резюме на китайском и английском с образцами, проверка модели на чувствительность и устойчивость, подготовка рисунков, библиотека научных оборотов и форматы Memo и Letter для MCM/ICM. Отдельные разделы вычищают признаки ИИ-письма и проводят самопроверку в четыре раунда. Решатель сам передает материал писателю в виде фрагмента с меткой [PAPER_READY].
Для кого. Для студентов и команд, которые готовятся к CUMCM и MCM/ICM, а также для преподавателей, разбирающих такие задачи со студентами.
Подходит, если
- Вы получили задачу CUMCM или MCM/ICM и не знаете, как разложить ее на подзадачи и определить тип математической модели
- Нужно выбрать модель под сценарий и сравнить кандидатов, например XGBoost и случайный лес, с границами применимости каждого
- Нужен рабочий код генетического алгоритма, роя частиц, имитации отжига или Монте-Карло из готовых шаблонов Python и MATLAB
- Модель готова, и надо написать резюме, составить структуру работы и подготовить обзор литературы по образцам призовых статей
- Английский черновик нужно проверить в четыре раунда и вычистить из него признаки ИИ-письма
Не подходит, если
- Задача не относится к математическому моделированию: скиллы рассчитаны на разбор конкурсных задач
- Правила вашего конкурса или вуза ограничивают помощь ИИ: ответственность за их соблюдение остается на вас
- Нужен готовый ответ без собственного выбора: рекомендации матрицы дают точку старта, и модель с обоснованием выбирает команда
- Вы пишете работу не на китайском и не на английском языке: образцы и фразы есть только для этих двух
Пример запроса к агенту
Вот условие задачи B из MCM. Разбери ее на подзадачи, определи тип модели для каждой и предложи двух кандидатов с границами применимостиОграничения
- Инструкции и справочные файлы написаны по-китайски. Автор составил образцы и шаблоны для CUMCM и MCM/ICM.
- Установка не сводится к клонированию репозитория: Claude Code сканирует только папки вида ~/.claude/skills/<имя>/SKILL.md, поэтому подпапки skills/ ставят через `npx skills add` или переносят вручную. После установки Claude Code нужно перезапустить.
- Этап поиска литературы ограничен: не больше пяти поисковых запросов в сети и 5–8 найденных статей, после чего поиск останавливается. Его можно пропустить.
- Рекомендации моделей опираются на разбор призовых работ, и последнее слово в выборе остается за вашей командой.
- Для графиков и документов автор советует подключать отдельные скиллы nature-figure, nature-polishing, xlsx, docx и pdf. В набор они не входят.
Как отключить. Удалите папки math-modeling-solver и math-modeling-paper из каталога ~/.claude/skills/ или выполните команду удаления скилла через тот же `npx skills`, которым ставили. Перезапустите Claude Code.
Частые вопросы
Как поставить Math Modeling Skills в Claude Code?
Выполните `npx skills add Lupynow/math-modeling-skills --skill '*'`, чтобы поставить оба скилла. Можно поставить и один, например `npx skills add Lupynow/math-modeling-skills --skill math-modeling-solver`. После установки перезапустите Claude Code.
Чем math-modeling-solver отличается от math-modeling-paper?
Решатель ведет от условия к модели и коду: разбирает задачу, при необходимости ищет литературу, подбирает модель и раскрывает алгоритм. Писатель берет готовую модель и помогает с текстом работы, рисунками и проверкой. Между ними стоит метка [PAPER_READY].
Какие конкурсы покрывает набор?
Китайский CUMCM с задачами A, B и C и международный MCM/ICM с задачами A–F. Для MCM/ICM есть и отдельные материалы: названия моделей, форматы Memo и Letter, схема «Our Work».
Какие шаблоны кода входят в набор?
22 шаблона на Python и 7 на MATLAB. Справочники охватывают оптимизацию, машинное обучение, оценивание, механистические модели, статистику, сети, кластеризацию и теорию игр.
Сколько поисковых запросов делает этап литературы?
Не больше пяти, примерно поровну на английском и китайском, с остановкой после 5–8 найденных статей. Этап рекомендован, но его можно пропустить, например если вы уже собрали источники.
Обсуждение
Вопросов и отзывов пока нет.
Похожие
СкиллыСкилл математического моделирования
Math Modeling Skill
Воркфлоу из трех этапов для задач математического моделирования: разбор и выбор модели, расчеты на Python или MATLAB, сборка статьи в Word или LaTeX
Набор скиллов для соревнований по математическому моделированию: разбор задачи, выбор метода, код на Python и MATLAB, оформление статьи
Восемь скиллов для олимпиад по моделированию: ведут задачу от условия до статьи с графиками и проверенной литературой
Скилл для агента: превращает статью с arxiv в минимальную реализацию на Python, где код привязан к разделам и формулам, а неуказанные места честно помечены
DDC Skills for Construction
DDC Skills for AI Agents in Construction
238 скиллов для строительных компаний: выгрузка из BIM в Excel, поиск расценок, сметы, отчеты по объекту и генерация документов
Библиотека скиллов для медицинских исследований: поиск и разбор литературы, планирование исследований, анализ данных и написание научных статей
Сравнение с похожими
Записи с тем же главным запросом: чем они отличаются.
| Запись | Официальный | Звезды репозитория | Главное отличие |
|---|---|---|---|
| Math Modeling Skills (эта запись) | нет | 428 | |
| Academic Writing Skills | нет | 525 | восемь скиллов для статей и диссертаций на LaTeX и Typst, а Math Modeling Skills рассчитан на конкурсные работы по моделированию и добавляет разбор задачи и код |
| Research Writing Skill | нет | 531 | 30 шаблонов промптов для научных статей, а у Math Modeling Skills — шаблоны решений и кода и отдельный скилл для текста конкурсной работы |
Коротко о README
Страница представляет два скилла таблицами возможностей, затем объясняет два способа установки и показывает рабочий процесс от задачи до сдачи работы. Ниже стоят дерево файлов с описанием справочников, список подходящих внешних скиллов, лицензия и журнал версий с подробностями по каждой.
Бейдж для README
Исходный SKILL.md
--- name: math-modeling-solver description: 数学建模竞赛解题全流程指导。覆盖国赛(CUMCM)和美赛(MCM/ICM)全部题型(A-F)，提供12种问题本质分析、95+场景模型决策矩阵、5本算法Cookbook、11本完整例题Playbook、22个Python+7个MATLAB可运行代码模板。与math-modeling-paper形成"解题→写作"配对。当用户提及建模思路、选什么模型、怎么建模、赛题求解、粘贴赛题文本、美赛/国赛题目分析、CVaR/NSGA-II/Monte Carlo/时间序列/ANOVA/灰色关联、网络流/图论/生态建模、模型命名/Memo/Letter/Our Work流程图时，使用此skill。 --- # 数学建模竞赛解题指导 > 本 skill 提供的矩阵、cookbook、playbook、代码模板，全部是**知识参考**而非**决策指令**。 > 对于同一道赛题，不同队伍理应有不同的建模路径。矩阵里的推荐只是技术起点—— > 你的任务是结合题目具体约束、数据特征和团队判断，做出**有理由的选择**，而非照搬推荐。 ## 使用流程 收到解题任务后，按以下五阶段工作流操作。 ### Step 0: 判断用户入口 先判断用户在哪个阶段切入： - **有新题目文本，从零开始** → 阶段1 - **已有问题分析结果，需要模型推荐** → 阶段2 - **需要先查文献再看选什么模型** → 阶段1.5 - **已确定模型，需要算法展开和代码** → 阶段3 - **建模已完成，需要衔接论文** → 阶段4 - **用户直接指定了模型名**（如"用 GA 求解"）→ 阶段3，跳过阶段1-2 - **用户输入匹配已知题型** → 加载对应 Playbook 获取完整解题示范（12 本 Playbook 覆盖国赛 A/B/C + 美赛 D/E/F 全部题型） ### 阶段识别规则 | 用户说 | 切入阶段 | |--------|---------| | "这道题怎么做" + 粘贴题目 | 阶段1 | | "帮我分析这道题" | 阶段1 | | "帮我搜一下类似问题的文献" | 阶段1.5 | | "有没有类似题目的论文可以参考" | 阶段1.5 | | "选什么模型好" | 阶段2 | | "XGBoost 和随机森林怎么选" | 阶段2 | | "帮我写 GA 代码" | 阶段3 | | "这个公式怎么推导" | 阶段3 | | "建模做完了，准备写论文" | 阶段4 | | "帮我写摘要" | 阶段4 → 引导切换 paper skill | --- ### 阶段1：拆题分析