企业官网建设流程全解析

如果你最近正在准备全国大学生数学建模竞赛，2019年国赛B题《多波束测线》应该是绕不开的一道题。今年我决定换一种玩法，没有先翻优秀论文，也没有拿着纸笔硬推，而是搭了一个AI数学建模智能体，把这道题从读题、建立假设、几何推导、写代码算结果到整理成论文，完完整整跑了一遍。这里把我跑通的全流程、中间踩过的坑，以及哪些环节AI确实能替你省力、哪些环节它根本不靠谱，一次说清楚。

这道题对很多参赛队来说属于“看起来不难，真正动手容易卡壳”的类型。它不像有些题需要大量背景知识，核心就是几何建模加约束优化。但正因为题干简短，反而对模型的严谨性要求很高。我是把整道题拆成“读题拆解—模型假设—几何推导—算法实现—结果验证—论文撰写”六个环节，分别交给智能体里不同角色的Agent来处理，而不是像平时聊天一样丢一句话过去等答案。这么跑下来最大的感受是：AI数学建模智能体不是替你做数学题，它是把一个模糊的工程问题，一步步逼成你能验证、能复现、能写进论文的清晰流程。

1. 先看懂题目：多波束测线到底在考什么

1.1 从“多波束测深”到一道几何题

多波束测深是海洋测绘里很常见的作业方式。船底装一个换能器，向海底发射扇形的声波束，声波碰到海底反射回来，根据往返时间就能算出一个条带内的水深。和单波束只能测船正下方一个点不同，多波束一次能覆盖一个横向条带，效率高很多。

2019年B题就是把这件事抽象成了一个平面几何问题。题目给了一个倾斜的海底坡面，船沿着测线走，多波束换能器有一个开角，比如120度，船正下方的水深是D，海底有一个坡度角α。第一问通常要求你计算这个波束在海底形成的覆盖宽度，然后算相邻两条测线之间的重叠率。后面几问在这个基础上不断加条件：测线方向和坡面走向有个夹角怎么办？整个海域的地形不再是一个斜面，而是一堆离散的水深数据点，怎么设计一组测线让总长度最短？

你一旦把它翻译成几何语言，核心就变成：一个扇面和一个斜面相交，交线在地面上的投影范围怎么算，以及相邻扇面条带怎么保证不漏测、不重复太多。

1.2 题目真正藏着的三个难点

第一难点是“斜海底”而不是水平海底。很多第一次做这题的人会惯性用水平海底的公式，直接拿深度D乘以开角的半角正切算覆盖宽度。一旦海底倾斜，左边波束打到上坡方向，右边打到下坡方向，两侧的斜距完全不一样，必须把坡角α放进推导里。这个坑是我让智能体帮你做“几何剖面”时最早被提醒的。

第二个难点是重叠率的定义。题目说的是相邻条带之间要保证一定的重叠率，目的是避免漏测。但这个“重叠”到底是按海底坡面上的长度算，还是按水平投影距离算，题目可能没有明说。不同口径会得出不同的结果，如果你后面要用程序批量计算，口径不统一会导致整个海区的结果对不上。

第三个难点是第三问那样的全局优化。到了实际海域，地形数据是一张水深网格，测线方向不同、位置不同，每条测线对应的海底剖面就不一样，覆盖宽度也在变。你要在保证覆盖全部海域、重叠率不低于下限的前提下，让测线总长度最短。这已经不是一个公式能解决的问题，需要写程序迭代搜索。这也是为什么我决定让智能体介入——它的代码能力恰好可以用在这个场景。

1.3 为什么这道题特别适合用智能体来跑

一方面，多波束测线这道题的模型链条非常清晰，拆开以后每一步都比较“可验证”。深度、角度、距离之间就是三角形关系，用AI生成推导过程后，你可以很快用人脑检查对不对，不像某些纯数据挖掘题那样难以判断模型好坏。

另一方面，它的计算量集中在第三问类似的场景：网格数据多、候选测线多、约束条件多。把规则讲清楚以后，AI生成的Python代码可以直接运行，我只需要检查公式和边界条件。整个过程非常像“我带了一个聪明但偶尔粗心的实习生，由我定方向、它负责把重复劳动干完”。

我当时用了Dify这类智能体平台快速搭工作流，把不同任务分给不同角色的Agent；如果你懒得搭平台，直接在常用的对话式AI里开几个不同会话，也能做到80%的效果。关键不是你用什么工具，而是你有没有把这道题本身拆成一条利于AI理解的流水线。

2. 搭建 AI 数学建模智能体：我不是在“聊天”，是在组流水线

2.1 为什么我不用“单次对话”直接问答案

一开始我也试过最简单的方式：把题目复制进去，问AI“多波束测线B题怎么做”。结果它给了我一个看似完整、实则漏洞百出的答案，还把重叠率公式搞错了。原因很简单：这道题的场景和公式依赖很多隐含假设，如果我不把“海底坡面方向”“测线方向”“水深从哪条剖面算”这些说清楚，AI只能从训练数据里联想一个最容易出现的模板，而那个模板未必匹配题意。

所以我换成另一种思路：把这个任务当成一个工程项目来管理。每个环节设置一个明确的输入和输出，让不同的Agent分别负责不同任务，前一个环节的输出作为后一个环节的输入。这样某个Agent错了，我能快速定位到具体环节，而不是面对一整段没法验证的答案。

2.2 拆成四个环节的 Agent 工作流

我搭建的工作流里面主要有四个角色：

第一个是“解读者”。它接收原始题干，输出一份结构化的题目拆解，包括已知条件、待求目标、隐含假设、可能的争议点。比如已知坡角、开角、水深，隐含假设是海底为单一倾斜平面、波束在介质中直线传播、船速不影响测深等。这个环节看着简单，但很有价值，因为它逼着我确认自己没漏看条件。

第二个是“建模者”。它负责把几何关系翻译成公式。我会要求它先画出剖面示意图并描述清楚，再开始推导。同时要求每一步都写出物理含义，禁止直接跳结论。比如为什么左侧波束斜距表达式里是减号，右侧是加号，必须说得出来。

第三个是“写码者”。它接收建模者给出来的公式和算法流程，生成Python代码。这里我特别强调：所有公式里的角度先转弧度、所有长度单位保持米、所有中间变量都要打印出来。代码解释器跑完以后，我会和人工估算的值对照，防止程序看着能跑、结果却是错的。

第四个是“审稿者”。它负责检查模型假设是否合理、公式量纲是否一致、论文语言是否清晰。这个角色在写论文阶段很有用，它能从一个陌生人的视角反复挑毛病。

2.3 智能体的提示词怎么设计

提示词才是整个智能体工作的核心。我给每个Agent写得不是一段简单的“你是一个数学家”，而是一份带流程要求的工作指令。比如给“建模者”的提示词里会写：

“你正在参加全国大学生数学建模竞赛。请严格按以下步骤进行：一、先用文字描述题目对应的几何剖面；二、定义所有符号；三、列出基本几何关系；四、用符号推导，不要代入数值；五、推导结束后，用一组样例数值做量纲检查。”

这里的重点是“分步骤”和“定义符号”。AI在推理时如果直接给最终公式，往往会跳过关键假设；一旦你要求它先定义符号、再逐步推导，它出错的概率会显著降低。你也可以在提示词里要求它“如果存在不唯一理解，请列出两种理解及对应公式”，这能帮你及时发现题目里的歧义。

如果你不想用Dify这类工具，手动开四五个对话框分别扮演不同角色，也能跑通。只是要注意每个对话框的上下文不要混在一起，建完模的对话别又拿去写论文，否则它会“记忆污染”，把建模阶段的试探性想法当成结论写进正文。

3. 第一问实测：斜海底上的覆盖宽度，AI 是怎么帮我推的

3.1 先把剖面图画出来：给 AI 的“几何问题描述”

第一问最核心的是求覆盖宽度W。我让智能体做的第一步不是列公式，而是把几何剖面描述出来。我把它对智能体的输入大致写成这样：

“有一个海底坡面，倾角为α。船沿测线方向航行，测线方向与坡面走向垂直。换能器开角为θ，以正下方为波束中心线。记换能器正下方海底深度为D。请分别画出左侧波束和右侧波束打到海底的几何关系，并说明左右两侧相交点的斜距怎么表达。”

如果你自己心里画不出来，这里其实就是一个纯粹的三角形问题。换能器向左边发出的波束中心线与垂直方向夹角是θ/2，海底面不是水平的，而是斜的。左边那个波束相对垂直方向的夹角是θ/2，而它落到的海底点的高度比换能器正下方要低还是高，取决于坡面的朝向。于是列方程时要把“水平距离乘以坡度”带进去。

由于我和智能体在一个上下文里，我会要求它把剖面图用纯文字加符号画出来，然后我用人脑对照题目确认方向没反。这一步不要省，多花两分钟能把后面所有的错误都挡在外面。

3.2 覆盖宽度的公式推导过程

这里我直接给出我们跑通时用的推导思路。设开角为θ，海底倾角为α，换能器正下方水深D。左侧边界波束与垂直方向夹角为θ/2，它打到海底某点，斜距记为R_L。

考虑垂直方向和水平方向的几何关系，波束斜距在垂直方向的投影为R_L·cos(θ/2)，水平方向投影为R_L·sin(θ/2)。同时，从这个波束打到的海底点到换能器正下方，海底深度变化等于水平投影距离乘以tanα。于是：

R_L·cos(θ/2) = D + R_L·sin(θ/2)·tanα

解得：

R_L = D / [cos(θ/2) - sin(θ/2)·tanα]

右侧对称：

R_R = D / [cos(θ/2) + sin(θ/2)·tanα]

两条波束打到海底的两个点之间的水平距离，就是两个水平投影相加：

W_h = R_L·sin(θ/2) + R_R·sin(θ/2)

如果题目要求沿坡面方向的实际覆盖长度，再除以cosα即可。这个公式的优势在于它显式保留了几何含义，方便我们后面把α替换成视倾角，直接推广到第二问。我当时特意让智能体把推导过程输出成“符号定义表+公式+一行验证说明”，目的是写论文时可以直接搬。

3.3 重叠率的定义坑：工程口径和直觉不一样

第一问往往还会让算相邻条带的重叠率。很多人的第一反应是：重叠率等于重叠宽度除以单条覆盖宽度。这个想法方向没错，但真正放到斜海底上就麻烦。两条平行测线在坡面的不同位置上，它们各自覆盖的条带宽度并不一样，因为水深D在变。

工程上定义重叠率，一般要落到同一条参考线上计算，比如在水平投影面上算两个条带投影的重叠区间。我和智能体讨论后采用的是：先把每条测线左右两个边界点的水平坐标算出来，得到条带的水平投影区间，然后相邻两个区间求交集，重叠宽度除以两条测线中较窄的那条宽度或标准覆盖宽度，得到重叠率。具体除以哪个，论文里只要说清楚就行，关键是不要交叉着用。

这个定义坑在写程序时尤其致命。如果你程序里一会儿按坡面距离算，一会儿按水平距离算，最后的覆盖率可能超过100%或者出现负数，看着数据就离谱。我当时被这个坑折磨了很久，最后靠“审稿者”Agent逐行检查公式，才发现两边口径不统一。

4. 第二问、第三问：从单条测线到整片海域的全局最优化

4.1 第二问的钥匙：视倾角随测线方向变化

第二问会加一个条件：测线方向和坡面走向之间有一个夹角β，不再是垂直了。很多队伍这一问会卡住，因为原来的推导明显依赖于“测线方向垂直于坡面走向”的剖面假设。如果测线和坡面走向斜着交，剖面图怎么画？

答案是“视倾角”。三维斜面在任意方向剖面里，看起来的坡度是不一样的。用一个生活化的类比：你站在山坡正面看，坡很陡；当你绕着山侧着看，看起来坡度就变缓了。这个“看起来的坡度”就是视倾角。

在单一斜平面上，真实坡度角为α，测线方向与坡面走向夹角为β，则在垂直于测线方向的剖面内，海底的视倾角α'满足：

tan(α') = tan(α)·sin(β)

这里β的取值要按题目规定来，但含义就是：测线方向越接近坡面走向，垂直测线方向上的海底看起来越平；越接近垂直坡面走向，视倾角越接近真实坡度α。把第一问公式里的α换成α'，就能算不同夹角下的覆盖宽度和条带间距。

我让“建模者”Agent专门把这段推导写在最前面，因为它很容易被AI忽略。它一开始给出的代码直接用真实坡角α来计算覆盖宽度，导致同一海域不同方向测线的结果差异被严重高估。

4.2 第三问的最短测线：目标函数与约束

第三问给的是真实海域地形数据，不再是一个标准斜面。这时候每条测线经过的海底剖面都在变，坡度时大时小，深度时深时浅。设计测线的目标通常是最小化总长度，同时满足覆盖约束和重叠率下限约束。

我把它抽象成这样一个问题：给定一个测线方向，在该方向下布置若干条平行测线，每条测线由一串轨迹点组成，整片海域所有条带要覆盖全部网格点，且相邻条带重叠率不低于某个阈值，求总测线长度最小。

严格说这是一个混合整数优化问题，但实际操作中不需要一开始就上特别复杂的算法。我当时让智能体先生成一个“可行解”：固定测线方向，以较大的初始间距布置测线，检查覆盖率和重叠率，如果不满足约束则缩小间距，再重复。这个过程用二分法或者网格搜索就能得到一个工程上可接受的次优解。如果时间充裕，再把这个可行解作为初值，用模拟退火或者遗传算法微调测线位置和方向。

要注意的是第三问除了求总长度，可能还会要求你输出测线具体坐标，方便阅卷老师复现。所以代码里要包含“把测线坐标写进CSV”的输出模块，不要只打印一个结果。

4.3 让 AI 写代码迭代求解时，我在旁边盯什么

代码生成这一环节，AI的完成度很高，但我会盯着三个地方。

第一，检查它是否用了正确的“覆盖判断”。判断覆盖时要根据海底网格点是否落在某条测线的波束条带内来确定，不能简单把所有水深都假设成同一个斜面。第二，检查重叠率计算是否用了本文前面讲的统一口径。第三，检查循环里有没有出现下标越界或者重复计算，比如一个网格点被十条测线覆盖，但程序里误判成零覆盖。

为了减少人工审查负担，我通常要求“写码者”Agent在代码里加断言和日志：每条测线的边界坐标、覆盖网格数、重叠率都打印出来。这样一旦结果不符合预期，我们能很快定位到是哪一段出了问题。实测下来，这一步的时间投入和后面排查错误的效率成正比，千万别省。

一个可以给你参考的核心代码片段是定义覆盖宽度函数：

import math def swath_half_widths(D, theta_deg, alpha_deg): # D: 换能器正下方水深 # theta: 多波束开角（全角） # alpha: 海底面在测线法向剖面内的视倾角 th = math.radians(theta_deg / 2) al = math.radians(alpha_deg) left = D / (math.cos(th) - math.sin(th) * math.tan(al)) right = D / (math.cos(th) + math.sin(th) * math.tan(al)) return left, right def swath_width_project(D, theta_deg, alpha_deg): left, right = swath_half_widths(D, theta_deg, alpha_deg) width = (left + right) * math.sin(math.radians(theta_deg / 2)) return width

只要确认了D、θ、α的定义和题目一致，这个函数就能被后面所有循环调用，相当于整个代码的地基。地基一旦稳了，第三问不管迭代多少轮都不用担心突然算歪。

5. 全流程跑下来，AI 最容易翻车的四个地方

5.1 一本正经的幻觉：AI 会替你“编答案”

我用智能体跑这道题时，最危险的一次是第二问。我让它给出不同夹角β下的测线间距，它直接给我列了一个表，看起来非常工整，还带三位小数。好在我要求它把计算过程也输出，才发现在某一列里，它把“水深D”悄悄换成了“平均水深”，导致间隔整体偏大。

后来我学乖了，凡是AI给出的数值型结论，都要求它必须附带“计算入口参数”和“中间结果日志”。没有日志的数据，在数学建模比赛里就是不可信的，哪怕它来自AI也一样。

其实AI这种“编答案”并不是故意骗你，它只是在补全它认为最合理的缺失信息。所以我把这种情况归结为：提示词里没有明确告诉它每个数值的来源。只要你在上下文里反复强调“所有数值必须来自你上一步的输出，不得自己联想”，这个问题会明显减少。

5.2 正负号、量纲、弧度：低级但致命的错误

这三个问题几乎伴随着每一次代码生成。正负号主要在左侧波束方程里，左边波束是“D + 水平距离·tanα”还是“D - 水平距离·tanα”，完全取决于坐标轴方向和坡向设定。AI有时候会根据训练数据里的不同题目记忆，给你一个相反方向的表达式，虽然它也能推导，但和当前题的坐标设定不一致。

量纲问题出现在“海里”和“米”的混用上。海洋测绘数据经常用海里作为单位，但题目附件的水深又通常是米。AI的默认习惯是遇到长度就写米，结果你没注意就输出了一个基于错误单位的覆盖宽度。

弧度问题更是老生常谈。AI写Python代码时如果求tan或者sin之前忘记把角度转弧度，结果会离谱到完全看不出规律。为了防这三点，我要求“写码者”Agent在代码开头统一做单位转换，角落里写上注释，并在最后用一组人工手算的简单数据做单元测试。

5.3 把 AI 从“给答案”调教成“给过程”的三个技巧

第一，提问时永远加一句“请列出你的假设”。比如问“多波束测线的测线间距怎么算”时，AI默认假设海底水平，加了这个要求，它就会意识到需要坡角。

第二，让它“用反例检验”。我会故意给它一组极端参数，比如坡角0度、坡度90度，看它公式会不会退化到我们熟悉的情形。坡角0度时，覆盖宽度应该退化为水平海底的公式；坡度90度时，覆盖宽度应该趋近于0或者无意义。这种反例检验非常有效，能快速暴露公式里的方向错误。

第三，强制它“分步输出，不允许直接给最终答案”。想做到这点，不是每次都能完全生效，但可以在提示词里写“先给出第1步的结论，等我确认后再继续”。把一条长推导拆成多次交互，我在每一小步都能盯一眼，这样虽然慢，但结果可靠性大幅提升。

6. 写论文阶段，智能体还能怎么用

6.1 公式、图表、LaTeX 排版

数学建模竞赛论文最后阶段最容易手忙脚乱的就是格式。公式编号、三线表、变量符号统一，这些工作让AI来处理非常合适。我会让“审稿者”Agent专门检查全文变量是否一致，比如开始用了D表示水深，后面就不要混用h。它还能帮你把草稿里的文字转成清晰的LaTeX代码，省去大量手敲时间。

图表方面，我让AI生成了三种图：几何关系示意图（手绘后我再用作图工具细化）、不同β下的覆盖宽度变化曲线、第三问的测线布置地图。后两种用Python画完直接输出PNG，论文里插进去，视觉上就比纯文字解释清楚很多。

6.2 让 AI 扮演评委提前挑毛病

论文写完后，我会让智能体切换到“评委视角”，按国赛论文的常用评分点检查：模型假设是否明确、符号系统是否完整、算法复杂度是否说明、结果是否可复现、创新点是否突出。这一步最大的作用是找出你自己写顺了之后容易忽略的歧义。

比如“重叠率”这个词，你自己知道是水平投影口径，但评阅老师可能理解成坡面口径。智能体在扮演评委时，会模拟一个不了解内部细节的读者来读你的论文，凡是它能产生歧义的地方，你都应该提前补充说明。这个检查的成本非常低，但对提高论文质量很有帮助。

6.3 AI 始终无法替代的那一步

模型假设的合理性和论文的“建模感”还是得靠人来把守。AI很擅长把公式推得很漂亮，但不太能判断“假设海底为单一斜面”是否满足题目给定的数据范围。它也不会主动告诉你“这里用线性回归拟合坡度分布，可能比固定坡度更合理”。这类对问题背景的理解需要你自己做决定。

我把这种关系理解成开车：AI是那个很会换挡的变速箱，但方向盘和刹车在你手里。它能把推导、计算、排版这些重复劳动做到80分，但模型立意、假设检验、结果讨论这些需要判断力的部分，至少需要你拉高到能看懂它在做什么的程度。否则论文里的公式再漂亮，也经不住评委追问一句“你这个假设为什么合理”。

跑完这道题，我最大的体会是：AI数学建模智能体的价值不在“一键出答案”，而在于把工程题的复杂度摊平。它让我有余力去做真正重要的事——理解几何关系、设计验证思路、把模型讲明白。多波束测线这道题你用它跑通一次，后续再遇到其他几何类建模题，方法论可以直接复用：拆题、画剖面、定义符号、推导公式、生成代码、人工验证。这套流程跑熟了，参加比赛时你会比对手多一个能连续加班的数字队友。