[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-80808":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":9,"language":10,"languages":9,"totalLinesOfCode":9,"stars":11,"forks":12,"watchers":13,"openIssues":12,"contributorsCount":12,"subscribersCount":12,"size":12,"stars1d":14,"stars7d":15,"stars30d":16,"stars90d":12,"forks30d":12,"starsTrendScore":17,"compositeScore":18,"rankGlobal":9,"rankLanguage":9,"license":9,"archived":19,"fork":19,"defaultBranch":20,"hasWiki":21,"hasPages":19,"topics":22,"createdAt":9,"pushedAt":9,"updatedAt":23,"readmeContent":24,"aiSummary":25,"trendingCount":12,"starSnapshotCount":12,"syncStatus":26,"lastSyncTime":27,"discoverSource":28},80808,"Enhanced-mathmodel-Codex-skills","xzwwwwww\u002FEnhanced-mathmodel-Codex-skills","xzwwwwww","增强版的数学建模skills，专门用于codex智能体使用，全流程自动生成一篇数学建模论文",null,"Python",46,0,38,1,6,8,3,42.8,false,"main",true,[],"2026-06-12 04:01:30","# Enhanced MathModel Codex Skills\n\n增强版数学建模 Codex skills 套件，用于把数学建模赛题从“题面与附件”推进到“模型路线、实验模板、论文草稿、Word 文档和最终 QA 报告”。\n\n本仓库基于 Codex 全局 skills 机制组织，**只使用全局路径 `~\u002F.codex\u002Fskills`**。\n\n## 能做什么\n\n这套 skills 主要覆盖数学建模论文生产的完整流程：\n\n1. 读取赛题文件，拆解问题一\u002F二\u002F三。\n2. 判断任务类型，例如预测、评价、优化、聚类、仿真、图论等。\n3. 生成模型推荐路线，包括基线模型、改进模型、评价指标、验证方式和风险点。\n4. 根据模型路线生成可运行实验模板。\n5. 清洗附件数据并生成探索性图表。\n6. 生成论文微单元任务清单。\n7. 批量生成论文微单元并合并为 `final_paper.md`。\n8. 生成 `final_paper.docx`。\n9. 执行最终 QA，检查占位符、章节缺失、图表断链、基线\u002F验证缺失、Word 是否存在等问题。\n\n## Skills 组成\n\n| Skill | 作用 |\n|---|---|\n| `paper-workflow-orchestrator` | 一键总流程入口，负责串联所有步骤。 |\n| `problem-doc-model-selector` | 解析赛题 PDF\u002FDOCX\u002FTXT，生成问题映射和外部数据需求。 |\n| `modeling-paper-rubric-and-model-selector` | 模型方法库、结构化模型推荐、实验模板生成。 |\n| `data-cleaning-and-visualization` | 清洗附件\u002F外部数据并生成 EDA 图表。 |\n| `quality-assurance-auditor` | 生成任务清单，并做最终论文质量审计。 |\n| `paper-micro-unit-generator` | 按任务清单生成微单元并合并论文。 |\n| `authoritative-data-harvester` | 根据 `data_requirements.json` 获取或提示补充外部数据。 |\n| `context-memory-keeper` | 记录阶段状态、文献\u002F数据来源和上下文记忆。 |\n\n## 安装\n\n将本仓库的 `skills\u002F` 下所有目录复制到全局 Codex skills 目录：\n\n```bash\ncp -R skills\u002F* ~\u002F.codex\u002Fskills\u002F\n```\n\n然后重启 Codex，使新 skills 生效。\n\n安装后目录应类似：\n\n```text\n~\u002F.codex\u002Fskills\u002F\n├── authoritative-data-harvester\u002F\n├── context-memory-keeper\u002F\n├── data-cleaning-and-visualization\u002F\n├── modeling-paper-rubric-and-model-selector\u002F\n├── paper-micro-unit-generator\u002F\n├── paper-workflow-orchestrator\u002F\n├── problem-doc-model-selector\u002F\n└── quality-assurance-auditor\u002F\n```\n\n## 项目目录结构\n\n每个数学建模项目建议使用独立目录。进入项目目录后运行总流程。\n\n```text\nyour-mathmodel-project\u002F\n├── problem_files\u002F        # 放赛题 PDF\u002FDOCX\u002FTXT 和附件数据\n├── crawled_data\u002F         # 可选，放外部补充数据\n└── paper_output\u002F         # 自动生成，存放所有输出\n```\n\n初始化项目目录：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-workflow-orchestrator\u002Fscripts\u002Frun_mathmodel.py --init-only\n```\n\n然后把赛题和附件放入：\n\n```text\nproblem_files\u002F\n```\n\n支持常见文件：\n\n- `.txt`\n- `.md`\n- `.csv`\n- `.xlsx`\n- `.xls`\n- `.docx`\n- `.pdf`\n\nPDF\u002FDOCX 解析依赖本机是否安装了对应 Python 包；如果缺少依赖，脚本会降级提示。\n\n## 一键运行\n\n在项目根目录运行：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-workflow-orchestrator\u002Fscripts\u002Frun_mathmodel.py\n```\n\n总流程会依次执行：\n\n```text\n赛题解析\n-> 外部数据需求检查\n-> 模型推荐\n-> 实验模板生成\n-> 数据清洗与可视化\n-> QA 任务清单\n-> 微单元生成\n-> 合并 Markdown\n-> 生成 Word\n-> 最终 QA 审计\n```\n\n如果 `problem_files\u002F` 为空，流程会阻塞并提示你先放入赛题和附件。\n\n## 输出产物\n\n运行后主要产物在 `paper_output\u002F`：\n\n```text\npaper_output\u002F\n├── step1\u002F\n│   ├── problem_analysis.md      # 赛题解析报告\n│   └── question_map.json        # 子问题、任务类型、约束、指标映射\n├── plan\u002F\n│   ├── model_recommendations.md # 模型推荐报告\n│   └── model_recommendations.json\n├── experiments\u002F\n│   ├── experiment_templates.md\n│   ├── experiment_templates_manifest.json\n│   └── *.py                     # 可运行实验模板\n├── data_cleaned\u002F                # 清洗后的数据\n├── figures\u002F                     # 自动生成的图表\n├── tasks.json                   # 微单元任务清单\n├── micro_units\u002F                 # 微单元文本\n├── generate_log.json            # 生成日志\n├── final_paper.md               # 合并后的论文草稿\n├── final_paper.docx             # Word 版本\n├── ref_check.md                 # 图表\u002F公式引用检查\n├── qa_report.md                 # 最终 QA 报告\n└── qa_report.json\n```\n\n## 两种启动模式\n\n### 1. 一键总流程模式\n\n适合想直接从赛题跑到论文草稿：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-workflow-orchestrator\u002Fscripts\u002Frun_mathmodel.py\n```\n\n### 2. 分步模式\n\n适合调试、补跑或单独使用某个能力。\n\n只初始化目录：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-workflow-orchestrator\u002Fscripts\u002Frun_mathmodel.py --init-only\n```\n\n只做最终 QA：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-workflow-orchestrator\u002Fscripts\u002Frun_mathmodel.py --audit-only\n```\n\n只解析赛题：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fproblem-doc-model-selector\u002Fscripts\u002Fparse_problem.py --project . --write-data-requirements\n```\n\n只生成模型推荐：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fmodeling-paper-rubric-and-model-selector\u002Fscripts\u002Frecommend_models.py \\\n  --file problem_files\u002Fproblem.txt\n```\n\n只生成实验模板：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fmodeling-paper-rubric-and-model-selector\u002Fscripts\u002Fgenerate_experiment_templates.py --project .\n```\n\n只做数据清洗与可视化：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fdata-cleaning-and-visualization\u002Fscripts\u002Frun_pipeline.py\n```\n\n只生成任务清单：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fquality-assurance-auditor\u002Fscripts\u002Fpipeline.py\n```\n\n只生成微单元：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-micro-unit-generator\u002Fscripts\u002Fgenerate_all_offline.py\n```\n\n只合并论文：\n\n```bash\npython ~\u002F.codex\u002Fskills\u002Fpaper-micro-unit-generator\u002Fscripts\u002Fmerge.py\n```\n\n## 实验模板\n\n模型推荐完成后，会根据推荐类型生成实验模板到：\n\n```text\npaper_output\u002Fexperiments\u002F\n```\n\n当前模板包括：\n\n- `forecasting_regression.py`：预测\u002F回归基线。\n- `evaluation_ranking.py`：熵权 TOPSIS 综合评价。\n- `optimization_scheduling.py`：资源分配\u002F0-1 优化基线。\n- `clustering_profile.py`：K-means 聚类画像。\n- `sensitivity_analysis.py`：参数扰动敏感性分析。\n- `monte_carlo_simulation.py`：Monte Carlo 不确定性仿真。\n\n这些模板是可运行起点，不是最终答案。你需要根据赛题字段、目标函数和约束进一步修改。\n\n## 依赖说明\n\n核心流程尽量做了降级处理，但以下包会增强能力：\n\n```bash\npip install pandas numpy matplotlib seaborn python-docx requests\n```\n\n可选 PDF 解析：\n\n```bash\npip install pymupdf pdfplumber\n```\n\n如果缺少 `pandas` 或 `seaborn`，数据清洗\u002F可视化会跳过，但总流程仍会继续生成论文骨架和 QA 报告。\n\n## 路径策略\n\n本套件已经去掉 `.trae\u002Fskills` 和项目内 `.codex\u002Fskills` 兼容逻辑。\n\n技能代码只从：\n\n```text\n~\u002F.codex\u002Fskills\n```\n\n读取。\n\n项目目录只用于：\n\n- 读取 `problem_files\u002F`\n- 读取 `crawled_data\u002F`\n- 写入 `paper_output\u002F`\n- 写入可选的 `data_requirements.json`\n\n## 常见问题\n\n### 1. 提示 `problem_files\u002F 为空`\n\n把赛题 PDF\u002FDOCX\u002FTXT 和附件数据放入：\n\n```text\nproblem_files\u002F\n```\n\n再运行一键流程。\n\n### 2. 数据清洗被跳过\n\n通常是缺少依赖：\n\n```bash\npip install pandas numpy matplotlib seaborn\n```\n\n### 3. 没有生成图表\n\n可能原因：\n\n- 附件数据不是 CSV\u002FExcel\u002FTXT。\n- 缺少 `pandas`、`matplotlib` 或 `seaborn`。\n- 数据中没有足够的数值列。\n\n### 4. Word 里的公式是 LaTeX 源码\n\n当前 `final_paper.docx` 由 `python-docx` 直接生成，公式会以 LaTeX 源码形式保留。需要正式排版时，可在 Word 中用 MathType 或公式工具进一步处理。\n\n### 5. QA 报告通过但论文还不够正式\n\nQA 只检查结构性问题，例如缺章节、占位符、断链、基线\u002F验证描述等。正式参赛前仍需要人工补充真实实验结果、图表解释、参考文献和排版。\n\n## 推荐工作方式\n\n1. 新建项目目录。\n2. 运行 `--init-only`。\n3. 放入赛题和附件。\n4. 运行一键总流程。\n5. 查看 `paper_output\u002Fstep1\u002Fproblem_analysis.md` 和 `paper_output\u002Fplan\u002Fmodel_recommendations.md`。\n6. 修改 `paper_output\u002Fexperiments\u002F` 中的实验模板，跑出真实结果。\n7. 重新运行合并和 QA。\n8. 人工润色 `final_paper.docx`。\n\n## 仓库内容\n\n```text\n.\n├── README.md\n├── .gitignore\n└── skills\u002F\n    ├── authoritative-data-harvester\u002F\n    ├── context-memory-keeper\u002F\n    ├── data-cleaning-and-visualization\u002F\n    ├── modeling-paper-rubric-and-model-selector\u002F\n    ├── paper-micro-unit-generator\u002F\n    ├── paper-workflow-orchestrator\u002F\n    ├── problem-doc-model-selector\u002F\n    └── quality-assurance-auditor\u002F\n```\n\n## 安全提醒\n\n不要把 GitHub token、私有数据、未公开赛题答案或个人隐私数据提交到仓库。`problem_files\u002F`、`paper_output\u002F`、`crawled_data\u002F` 已在 `.gitignore` 中忽略。\n","该项目是一个增强版的数学建模工具套件，专门用于自动化生成完整的数学建模论文。它能够从赛题解析开始，逐步完成模型推荐、实验模板生成、数据清洗与可视化、论文草稿撰写及最终的质量审计等全流程工作。该套件基于Python开发，并通过Codex全局skills机制组织运行，只需简单配置即可启动整个流程。特别适用于参加数学建模竞赛的学生或团队，在短时间内高效地完成高质量论文的准备与提交。",2,"2026-06-11 04:02:25","CREATED_QUERY"]