企业官网建设流程全解析

数学建模竞赛的赛程通常很紧，三天到四天里要完成选题、建模、编程、写作、排版全流程，真正留给“写论文”的时间往往不到三分之一。我参加过几届，也带过队，最深的体会是：模型建得再漂亮，论文写不出来或者写得乱，评委根本看不到你的工作量。这两年我开始把 Claude Code 的 Skill 机制引入到数模工作流里，把“读题、建模、成文”拆成三个阶段，每个阶段配一套可复用的技能包，实测下来能把重复劳动压掉一大半，把省出来的时间全部砸在模型打磨上。这篇就围绕“数学建模竞赛神器！Claude Code Skill 助你三阶段搞定数模论文”这个主题，把我自己搭的这套流程完整拆开讲一遍，包括 Skill 怎么设计、算法库怎么挂、Python 环境怎么配、论文怎么自动成稿，以及踩过的坑。

1. 数模竞赛的真实痛点与 Skill 机制的切入逻辑

1.1 为什么传统数模工作流效率上不去

先说说数模竞赛到底卡在哪。很多人以为是“不会建模”，其实真正拖垮队伍的是三件事：第一，题目读不透，尤其是华为杯研究生数学建模这种题面动辄好几页、还带一堆附件数据的，读题阶段就要耗掉大半天；第二，代码和论文两张皮，编程手在 Jupyter 里跑出来的结果，写作手要手动抄到 Word 里，中间格式一乱就出错；第三，论文排版反复返工，摘要、符号说明、模型假设、求解过程、灵敏度分析，每一块都有固定套路，但每次都要从头敲。

我统计过自己队伍的时间分配：读题加选题大概 6 到 8 小时，建模加编程 20 到 30 小时，论文写作加排版 15 到 20 小时，剩下的是通宵和返工。也就是说，接近一半的时间花在了“非核心创造性工作”上。这些工作有个共同特点——高度模式化、可复用、有明确输入输出。这正是 Skill 机制能发力的地方。

1.2 Claude Code Skill 到底是什么，为什么适合数模

Claude Code 是 Anthropic 推出的命令行/桌面端编程助手，它本身能读写文件、执行命令、跑代码。而 Skill 是在它之上的一层“能力封装”——你可以把一段固定的工作流程、一套提示词模板、一组脚本，打包成一个可被调用的技能。调用的时候，Claude Code 会按照 Skill 里定义的步骤去执行，而不是每次从零开始对话。

打个比方：Claude Code 是一个全能但需要你手把手教的实习生，Skill 就是你给他写的“标准作业程序（SOP）”。数模竞赛恰好是 SOP 密集型的活——读题有套路、建模有套路、写论文更有套路。把这些套路固化成 Skill，等于给队伍配了一个不知疲倦、不会忘记格式要求的“第四名队员”。

注意：Skill 不是万能的，它解决的是“流程标准化”和“重复劳动”，模型本身的创新点、对题目的物理/业务理解，仍然要靠人。别指望挂个 Skill 就能拿国一。

1.3 三阶段拆分的依据

我把整个数模流程拆成三个阶段，对应三套 Skill：

• 阶段一：读题与选题——输入是赛题原文和附件，输出是题目拆解、关键词、可选模型方向、数据字段说明。
• 阶段二：建模与求解——输入是选定的方向和数据，输出是可运行的 Python 代码、中间结果、图表。
• 阶段三：论文成稿——输入是前两阶段的产出，输出是结构完整、格式规范的论文初稿。

这个拆法的逻辑是：每个阶段的输入输出边界清晰，上一阶段的产物正好是下一阶段的原料，Skill 之间可以串起来。而且三个阶段的工作性质完全不同——读题偏理解，建模偏计算，写作偏组织，用不同的 Skill 分别优化，比搞一个大而全的 Skill 更可控。

2. 阶段一：读题选题 Skill 的设计与实操

2.1 读题 Skill 的核心结构

读题 Skill 的目标是把“人读题”变成“人机协同读题”。我的做法是让 Skill 做三件事：提取题面结构、标注数据字段、生成候选模型清单。

Skill 的提示词模板大致长这样（这是核心，我简化后贴出来）：

你是一名数学建模竞赛教练。请阅读以下赛题原文和附件说明，完成： 1. 用一句话概括题目要解决的核心问题； 2. 列出题目中出现的所有变量、参数、约束条件； 3. 逐字段说明附件数据的含义、量纲、缺失情况； 4. 给出 3 到 5 个可行的建模方向，每个方向说明适用理由和潜在难点； 5. 指出题目中容易被忽略的隐含条件。 输出用 Markdown 表格组织。

关键在于第 4 条和第 5 条。候选模型清单能帮队伍快速对齐思路，隐含条件则是最容易丢分的地方——比如某年题目里藏了一句“考虑数据采集成本”，很多队伍直接忽略，结果模型再准也拿不到高分。

2.2 数据字段自动解析

数模题目的附件数据格式五花八门，Excel、CSV、JSON、甚至图片。我让 Skill 调用 Python 脚本先做一轮自动探查：

import pandas as pd def profile_data(path): df = pd.read_csv(path) report = { "shape": df.shape, "columns": list(df.columns), "dtypes": df.dtypes.astype(str).to_dict(), "missing": df.isnull().sum().to_dict(), "describe": df.describe().to_dict() } return report

Skill 拿到这份报告后，会自动生成一段“数据说明”，直接可以放进论文的数据预处理章节。这一步省掉的时间非常可观，尤其是附件有十几张表的时候。

2.3 选题决策的量化辅助

选题不能拍脑袋。我让 Skill 生成一个简单的评分表，从四个维度给每个候选方向打分：数据可得性、模型成熟度、创新空间、实现难度。权重可以自己调，比如研究生赛更看重创新，就把创新空间权重调高。

这张表不是让 Skill 替你决策，而是把讨论聚焦到具体维度上，避免队伍在选题阶段吵两个小时还没结论。

实操心得：选题阶段最忌讳“什么都想做”。我一般要求 Skill 在候选方向里明确标注“如果选这个，需要放弃什么”，逼着队伍做取舍。

3. 阶段二：建模求解 Skill 与算法库挂载

3.1 算法库的组织方式

建模阶段最耗时的不是想模型，而是找代码、调包、对接口。我的做法是建一个本地算法库，按问题类型分目录：

algo_lib/ ├── optimization/ # 线性规划、整数规划、启发式 ├── prediction/ # 回归、时间序列、神经网络 ├── evaluation/ # 熵权法、TOPSIS、AHP ├── graph/ # 最短路、网络流、图神经网络 └── simulation/ # 蒙特卡洛、元胞自动机

每个目录下放可复用的函数模板，统一输入输出格式。Skill 在建模时，会先根据阶段一输出的“模型方向”，去算法库里匹配最接近的模板，然后在此基础上改。

这样做的好处是：不用每次从零写代码，而且模板里的参数注释、边界处理都是之前调试过的，稳定性有保障。

3.2 建模 Skill 的调用流程

建模 Skill 的执行逻辑分四步：

1. 匹配模板：根据模型方向，从算法库检索候选模板；
2. 参数适配：读取题目数据，自动填充模板里的参数占位符；
3. 试运行：跑一遍小规模数据，检查是否报错、结果是否合理；
4. 生成说明：输出模型的目标函数、约束条件、求解方法的文字描述，直接供论文使用。

第 4 步是很多人忽略的。代码跑通了不代表论文能写清楚，让 Skill 同步生成数学表达和文字说明，写作阶段就不用再回头啃代码了。

3.3 Python 环境配置的坑

数模竞赛对 Python 环境的要求其实不低，尤其是涉及 cv2、神经网络、科学计算的时候。我踩过的坑主要有三个：

• 版本冲突：不同算法库依赖的 numpy 版本不一样，建议用虚拟环境隔离，每个阶段一个环境。
• cv2 安装：pip install opencv-python有时候会因为系统缺少底层库失败，Windows 上一般没事，Linux 上要先装libgl1。
• 中文字体：matplotlib 画图默认不支持中文，出图全是方框。提前配好字体，别等到最后才发现。

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False

注意：竞赛现场网络可能不稳定，所有依赖提前在本地装好，别指望现场 pip。我一般会做一个 requirements.txt，赛前跑一遍确认无误。

3.4 结果可视化与中间产物管理

建模阶段会产生大量中间结果：参数表、收敛曲线、对比图。我让 Skill 统一把产物输出到一个outputs/目录，按“阶段-模块-序号”命名，比如stage2_optimization_01.png。这样写作阶段引用图表时，路径清晰，不会出现“图3到底是哪张”的混乱。

可视化方面，Skill 会默认生成三类图：趋势图、对比图、结构图。趋势图看变化，对比图看方案优劣，结构图看模型框架。这三类基本覆盖数模论文的图表需求。

4. 阶段三：论文成稿 Skill 的自动化写作

4.1 论文骨架的标准化

数模论文的结构高度固定，我把它固化成 Skill 里的模板：

1. 摘要
2. 问题重述
3. 问题分析
4. 模型假设
5. 符号说明
6. 模型建立与求解
7. 灵敏度分析
8. 模型评价与推广
9. 参考文献
10. 附录

Skill 会按这个骨架逐节填充。填充的原料来自前两个阶段的输出：读题阶段的题目拆解进“问题重述”，建模阶段的模型说明进“模型建立”，代码和图表进“求解”和“附录”。

4.2 摘要的自动生成策略

摘要是论文的门面，评委第一眼看的就是它。我让 Skill 用“三段式”生成摘要：第一段讲问题背景和本文做了什么，第二段讲用了什么方法、得到什么结果，第三段讲模型的亮点和推广价值。

关键是第二段要有具体数字。Skill 会从建模阶段的输出里抓取关键结果，比如“最优成本降低 23.7%”“预测误差控制在 4.2% 以内”，这些数字比空泛的“效果良好”有说服力得多。

4.3 公式与符号的一致性维护

数模论文最容易出低级错误的地方是符号不一致——前面用 $x_i$，后面变成 $x_{ij}$，评委一看就觉得不严谨。我的做法是让 Skill 维护一张全局符号表，所有公式里的符号都从表里取，写作过程中如果新增符号，自动追加到表里并检查是否重复。

这张表同时就是论文里的“符号说明”章节，一举两得。

4.4 排版与提交前的自检

论文写完后，Skill 会跑一轮自检，检查项包括：图表编号是否连续、公式是否都有编号、参考文献格式是否统一、附录代码是否可运行、页数是否超限。这些检查看起来琐碎，但每年都有队伍因为格式问题被扣分，甚至提交失败。

实操心得：提交前一定要用另一台电脑打开一遍 PDF，确认字体嵌入、图表显示正常。我遇到过在自己电脑上好好的，换台机器公式全乱的情况。

5. 三阶段串联的完整工作流与时间分配

5.1 从赛题到成稿的端到端流程

把三个阶段串起来，完整流程是这样的：

1. 赛题发布，启动读题 Skill，30 分钟内拿到题目拆解和候选方向；
2. 队伍讨论 1 小时，确定方向，启动建模 Skill；
3. 建模 Skill 匹配模板、适配参数、试运行，产出代码和中间结果；
4. 人工打磨模型，补充创新点，反复迭代；
5. 模型稳定后，启动论文 Skill，自动生成初稿；
6. 人工润色摘要和关键章节，跑自检，导出 PDF。

整个流程里，Skill 承担的是“脏活累活”，人承担的是“判断和创造”。这个分工是这套方法能提效的根本原因。

5.2 时间分配的实测数据

以我最近一次带队的经历为例，三天赛程的时间分配大致是：

节省最明显的是读题和论文成稿，因为这两块模式化程度最高。建模阶段节省有限，因为核心创新还是靠人，Skill 主要省在找代码和调接口上。

5.3 团队协作中的 Skill 共享

Skill 是可以共享的。我们队伍的做法是：把 Skill 文件和算法库放在一个共享目录里，每个人本地挂载同一份。这样编程手更新的算法模板，写作手立刻能用；写作手调整的论文模板，编程手也能看到格式要求。

版本管理用 Git，每次赛前拉一次最新版，赛后把这次新增的模板合并回去。几届下来，算法库和 Skill 越来越厚，新队伍上手越来越快。

6. 常见问题与避坑指南

6.1 Skill 调用失败的排查

最常见的问题是 Skill 找不到算法库路径，或者 Python 环境不对。排查顺序是：先确认 Skill 里的路径配置，再确认虚拟环境是否激活，最后确认依赖是否装全。我一般会在 Skill 开头加一段环境自检代码，跑不通直接报错，别等到建模中途才发现。

6.2 生成内容与题目脱节

Skill 生成的内容有时候会“泛泛而谈”，尤其是读题阶段。原因是提示词里没有强调“必须引用题目原文”。解决办法是在提示词里加一条硬约束：每个结论后面必须标注对应的题目原文片段。这样生成的内容就锚定在题目上了。

6.3 代码可复现性问题

数模论文附录里的代码，评委有时候会跑。如果代码依赖随机种子、外部文件路径，很容易跑不通。我让 Skill 在生成代码时统一加随机种子，所有路径用相对路径，外部数据打包进附录。这样复现性有保障。

6.4 论文查重与原创性

Skill 生成的是模板化文字，直接提交有查重风险。我的做法是：Skill 只生成骨架和过渡段落，核心分析、结论、创新点必须人工重写。摘要和模型评价这两块尤其要自己写，这两块是评委重点看的，也是最容易撞车的。

注意：不要把 Skill 当成“代写工具”，它是“效率工具”。论文的思想必须是你自己的，否则查重和答辩都过不了。

6.5 赛前准备清单

最后给一份我自己的赛前清单，照着准备基本不会出大问题：

• Python 虚拟环境建好，依赖装全，requirements.txt 备份；
• 算法库更新到最新，跑一遍冒烟测试；
• Skill 文件同步，路径配置确认；
• 论文模板、符号表模板、图表命名规范就位；
• 中文字体、PDF 导出工具确认可用；
• 共享目录和 Git 仓库可访问。

这套东西准备下来大概半天，但能换来三天的顺畅。数模竞赛拼的不只是模型，更是工程化能力。把流程标准化、把重复劳动交给 Skill，人才能专注在真正值钱的地方——对问题的理解和模型的创新。