mathmodel-skill — Mathematikmodellierungs-Wettbewerbs-Skill (v7.4.5)
10 Phasen, die das „3-4 Tage für eine Wettbewerbsarbeit“-Projekt effizient gestalten. Wenn der Benutzer direkt die Aufgabenstellung bereitstellt, wird standardmäßig Autopilot One-Click-Delivery verwendet: Automatisches Lesen der Aufgabe, Modellierung, Code-Lösung, Statistik/Grafiken, Referenzen, Papiererstellung, PDF-Visual-QA und Lieferliste. Wenn der Benutzer nur „Beginne mit der Modellierung“ sagt, bleibt der Guided Mode mit nummerierten Fragen erhalten. Jede Phase liefert Ergebnisse, die durch Rubrik-Selbstbewertung, Abschnitt-Patches, phasenübergreifende Rückprüfungen und eine finale gegenseitig blinde Überprüfung validiert werden.
v7.2 Update: Basierend auf v7.1 (Compliance und Einzelordner-Lieferung) wurde eine adaptive page_budget.json hinzugefügt. Der Haupttext wird nach Aufgabenwichtigkeit und Beweislast zugewiesen, der Anhang folgt der natürlichen Seiteneinteilung der vollständigen Reproduktion. Neu hinzugekommen sind das novelty_ledger, eine harte Konsistenzprüfung zwischen Algorithmusname, mathematischer Definition, Code, Solver-Logs und experimentellen Ergebnissen sowie eine KI-Offenlegung, die nur die wesentlichen Interaktionen enthält. Optionale externe Skills sind keine harten Abhängigkeiten.
v7.3 Update: Vorhandene Papiere werden mit minimalen Patches überarbeitet. Zuerst werden die Kapitelstruktur, die Seitenzahl des Haupttexts, die Abbildungsnummern/-anzahl/-größe und der vollständige Anhang des Manuskripts gesperrt, dann werden die verifizierten Probleme einzeln behoben. In der öffentlichen Version werden nicht autorisierte Drittanbieter-Vorlagen, Benutzerfallstudien und seitenweise private Daten entfernt. Es bleiben der unabhängig erstellte Workflow, aggregierte Statistiken, Beweisnachweise und numerische Stabilitätsprüfungen erhalten.
v7.4 Update: Das standardisierte SKILL.md dient als plattformübergreifender Einstieg. Es wurden Erkennungspfade, Tool-Downgrade und Status-Kommunikation für Claude Code, Cursor, VS Code/Copilot und OpenCode ergänzt. Ein sicherer Installer scripts/install_skill.py wird bereitgestellt.
Überarbeitung vorhandener Manuskripte: Basissicherung zuerst
„Prüfung und Änderung“ bedeutet nicht Neuschreiben. Lesen Sie unbedingt references/manuscript_revision_contract.md: Behalten Sie die vom Benutzer genehmigte Struktur, Abbildungen und den Umfang bei. Jede Änderung muss einem verifizierten Problem entsprechen. Ohne Genehmigung darf das Hauptmodell nicht ausgetauscht, das gesamte Papier nicht komprimiert, Abbildungen nicht in Tabellen verschoben, Abbildungen nicht verkleinert oder der gesamte Anhang nicht neu erstellt werden. Überprüfen Sie nach der Überarbeitung die tatsächliche Seitenzahl im neuesten PDF und vergleichen Sie sie mit der Kapitel-, Abbildungs- und Tabellenliste und den Abmessungen des Quellpapiers. Unvollständige wissenschaftliche Probleme bleiben ehrlich im Prüfbericht; sie dürfen nicht durch nicht verifizierte neue Antworten ersetzt werden, um zu behaupten, alle Probleme seien gelöst.
Agent Skills Einstieg (plattformübergreifend)
Diese Datei ist der einzige Workflow-Einstieg für alle Clients. Jeder Agent, der SKILL.md unterstützt, sollte diese Datei zusammen mit dem angrenzenden Ressourcenverzeichnis als Ganzes laden; kopieren Sie nicht nur diese Datei.
Übliche Fundorte:
- Benutzerweit:
$HOME/.agents/skills/mathmodel-skill/ - Projektweit:
<repo>/.agents/skills/mathmodel-skill/ - Claude Code:
~/.claude/skills/mathmodel-skill/oder<repo>/.claude/skills/mathmodel-skill/ - Cursor:
~/.cursor/skills/mathmodel-skill/oder<repo>/.cursor/skills/mathmodel-skill/ - VS Code/Copilot:
~/.copilot/skills/mathmodel-skill/oder<repo>/.github/skills/mathmodel-skill/ - OpenCode:
~/.config/opencode/skills/mathmodel-skill/oder<repo>/.opencode/skills/mathmodel-skill/ - UI-Metadaten:
agents/openai.yaml(optional für Codex) - Plugin-Verteilungs-Metadaten:
.codex-plugin/plugin.json+skills/mathmodel-skill/SKILL.mdShim (optional für Codex) - Projektanweisungen:
AGENTS.mdkann weiterhin als repo-/workspace-weite Anweisungen dienen, ist aber nicht der einzige Einstieg
Wenn der Skill installiert ist, kann der Benutzer direkt „Beginne mit der Modellierung“, /mathmodel-skill sagen oder die natürliche Sprache / den Skill-Befehl des Clients verwenden.
Harness-Kompatibilität und Downgrade-Strategie
Dieser Skill v7.4.5 verwendet das standardisierte SKILL.md als primären Einstieg und bleibt gleichzeitig harness-agnostisch:
| Harness | Einstieg/Erkennung | Benutzerinteraktions-Tool | Statusdatei |
|---|---|---|---|
| Claude Code | .claude/skills/<name>/SKILL.md | AskUserQuestion Tool | cwd/state/decision_log.json |
| Codex CLI / Codex App | .agents/skills/<name>/SKILL.md + optionales Plugin | Markdown-nummerierte Liste | Selbe (interoperabel) |
| Cursor | .cursor/skills/<name>/SKILL.md oder .agents/skills/ | Slash Command / Agent-Auswahl | Selbe (interoperabel) |
| VS Code/Copilot | .github/skills/<name>/SKILL.md oder .agents/skills/ | /skills Menü / Agent-Auswahl | Selbe (interoperabel) |
| OpenCode | .opencode/skills/<name>/SKILL.md oder .agents/skills/ | skill Tool | Selbe (interoperabel) |
| Andere kompatible Agenten | SKILL.md im Skills-Verzeichnis des Clients | Native UI; sonst nummerierte Liste | Selbe (interoperabel) |
Plattformübergreifende Interoperabilität: Tag 1 mit Codex Phasen 0-2 ausführen, Tag 2 mit Claude Code ab Phase 3+ fortsetzen – der Status bleibt vollständig erhalten. Siehe references/harness_compat.md.
Wenn der aktuelle Harness kein AskUserQuestion, Skill-Tool oder natives Options-UI hat: Behalten Sie die gleichen Entscheidungsfelder bei, verwenden Sie eine Markdown-nummerierte Liste oder eine einzelne Freitextzeile für Fragen. Der Benutzer darf nicht aufgefordert werden, decision_log.json manuell zu bearbeiten, und es dürfen aufgrund fehlender Tools keine gefälschten Ergebnisse erstellt werden.
Zwei Interaktionsmodi
interaction_mode ist orthogonal zu fast / standard / championship: Ersteres bestimmt, ob der Benutzer angehalten wird, Zweiteres bestimmt die Analysetiefe.
| interaction_mode | Auslöser | Verhalten |
|---|---|---|
autopilot | Benutzer hat Aufgabenstellung/PDF/Bild/Anhang bereitgestellt und fordert Lösung oder Lieferung an | Läuft kontinuierlich von Phase 0 bis zum verifizierbaren Lieferpaket; bei normalen Entscheidungen wird automatisch die empfohlene Option verwendet und aufgezeichnet; nur bei harten Blockern wird nachgefragt |
guided | Benutzer sagt nur „Beginne mit der Modellierung“, Aufgabe ist nicht bekannt, oder es wird explizit schrittweise Zusammenarbeit gewünscht | Wichtige Entscheidungen verwenden nummerierte Fragen |
Autopilot: Lesen Sie unbedingt references/autopilot_delivery.md und references/deliverable_contract.md. Bei Literatur, Statistiken, Grafiken, Papieren, Referenzen oder Finalprüfung wird gemäß references/nature_capability_router.md geroutet; Nature-Skills werden niemals modifiziert.
Guided-Frage-Antwort-Protokoll (Friendly Mode)
Kernprinzip: Guided-Benutzer müssen nur nummerierte Fragen beantworten; sie sollen nicht aufgefordert werden, bash / python / json manuell einzugeben. Im Autopilot-Modus werden diese Fragen vom Agenten mit der empfohlenen Option beantwortet und in den Status geschrieben, ohne anzuhalten.
- Discrete Optionen im Guided-Modus (Wettbewerb auswählen / Aufgabe auswählen / Modell auswählen / Verdict-Entscheidung) → müssen als Frage-Antwort erfolgen
- Freitext (PDF-Pfad / Abgabefrist) → einzelne Zeilenantwort
- Status lesen/schreiben (decision_log.json) → Agent erledigt automatisch
- Jeder wichtige Entscheidungspunkt jeder Phase hat eine „Lass mich entscheiden (empfohlen X)“-Option; der Benutzer kann auch blind 4 wählen und der Workflow läuft trotzdem durch
Claude Code: Verwende das AskUserQuestion Tool; Codex: Verwende eine Markdown-nummerierte Liste (1-4 + Fallback). Beide sind semantisch äquivalent, siehe references/harness_compat.md §1.
Pfadauflösungsprotokoll (vor jeder Phase zu lesen)
| Typ | Ort | Beispiel |
|---|---|---|
| Skill-intern & plattformübergreifend | Relativer Pfad zum Skill-Wurzelverzeichnis | references/stage_05_subproblem_loop.md, templates/shared/decision_log.json |
| Wettbewerbsspezifisch | competitions/<comp>/... nach decision_log.competition dispatch | competitions/cumcm/winning_patterns.md, competitions/mcm/abstract_template.md |
| LaTeX-Vorlagen | templates/latex/<comp>/main.tex | templates/latex/cumcm/main.tex, templates/latex/mcm/main.tex |
| Benutzer-Artefakte | Relativer Pfad zum cwd/ des Benutzers | cwd/{state,analysis,src,results,figures,paper_workspace,paper_output,support_materials,qa,delivery}/ |
| Status-Persistenz | cwd/state/decision_log.json | Muss in jeder Phase gelesen und geschrieben werden |
| Umgebungsvariablen | MATHMODEL_STATE_DIR (kompatibel mit CUMCM_STATE_DIR) / MATHMODEL_COMPETITION kann überschrieben werden | Skripte verwenden diese Variablen |
Konvention: <skill>/ = Skill-Installationsverzeichnis, <cwd>/ = Benutzer-cwd, <comp>/ = aktueller Wettbewerb (cumcm | mcm | diangong).
Quick Start
A. Benutzer stellt Aufgabenstellung direkt → Standardmäßig One-Click-Delivery
1. Prüfen, ob das Quellpaket eine lesbare Aufgabenstellung und notwendige Anhänge enthält.
2. Lesen von references/autopilot_delivery.md, deliverable_contract.md, nature_capability_router.md; bei CUMCM zuerst competitions/cumcm/current_rules.md validieren, dann references/cumcm_2026_compliance.md lesen.
3. Automatisch scripts/bootstrap_run.py ausführen, um den Status zu initialisieren oder wiederherzustellen; keine vorhandenen Dateien überschreiben.
4. competition, year, letter, language aus Aufgabenstellung/Dateinamen ableiten; bei geringer Sicherheit, die die Vorlagenauswahl beeinflusst, nur 1 Frage stellen.
5. competitions/<comp>/winning_patterns.md und die aktuelle Phasendokumente laden, Phasen 0-9 kontinuierlich ausführen; bei CUMCM vor dem Schreiben des Haupttexts scripts/plan_paper_budget.py ausführen, zuerst den Seitenzählungsmaßstab für Haupttext/Anhang und den Aufgabenumfang pro Beweislast festlegen.
6. Zuerst den exit code 0 von scripts/validate_delivery.py als zentrale mechanische Hürde verwenden; wissenschaftliche/visuelle Blocking-Concerns werden weiterhin von Phase 9 beurteilt.
7. Am Ende aller Wettbewerbe scripts/package_delivery.py ausführen, um einen versionierten Ordner zu erstellen; bei CUMCM muss zuerst „AI-Tool-Verwendungsdetails.pdf“ erstellt werden; wenn es einen manuell zu bestätigenden Blocker gibt, bleiben das Kandidatenpaket und NOT_SUBMISSION_READY.md erhalten.
B. Benutzer sagt nur „Beginne mit der Modellierung“ → Guided
1. Einführungssatz (≤50 Zeichen): "Starte Mathematikmodellierungs-Workflow, 10 Phasen + 3 Wettbewerbe, Guided nummerierte Zusammenarbeit."
2. Einmalig 5 Fragen (Claude Code: AskUserQuestion in einer Nachricht; Codex: 5 nummerierte Listen):
- Wettbewerb (cumcm / mcm / diangong, Standard cumcm)
- Aufgabenbuchstabe (je nach Wettbewerb: cumcm A-E / mcm A-F / diangong A-B; "nicht bekannt" möglich)
- Teamgröße + Stärken der einzelnen (Modellierung/Programmierung/Schreiben)
- Abgabefrist (ISO-String oder "noch X Stunden")
- Pfad zur Aufgaben-PDF ("nicht bekannt" möglich)
3. Automatische Initialisierung (Agent führt scripts/bootstrap_run.py --mode guided aus; Benutzer soll kein json bearbeiten):
- Kein Status vorhanden → Initialisierung von v4-Vorlage
- Status vorhanden → --resume und current_stage lesen, um Wiederaufnahmepunkt zu bestimmen
4. competitions/<comp>/winning_patterns.md einmal laden (Baseline erstellen), später nicht erneut lesen
5. Phase 0 starten (references/stage_00_kickoff.md), keine bereits gestellten Fragen wiederholen
Auslöser bei vorhandenem Status (Benutzer kehrt zwischendurch zum Skill zurück):
1. competition und current_stage aus cwd/state/decision_log.json lesen
2. Entsprechende stage_NN.md laden (bei Bedarf mit Inhalten aus competitions/<comp>/*)
3. winning_patterns nicht erneut lesen
Matrix: 3 Wettbewerbe × 3 Modi
Dauer / Sprache / Vorlage / Datenstatus werden von competition bestimmt; Token-Budget / Rückmeldungstiefe werden von mode bestimmt; Pausenstrategie wird von interaction_mode bestimmt. Alle drei sind orthogonal kombinierbar.
| Competition | Dauer | Sprache | LaTeX | Anzahl Teilfragen IQR | Datenstatus |
|---|---|---|---|---|---|
| cumcm | 72h | Chinesisch | xelatex / Original ctexart | [3, 5] | Aggregierte Statistiken aus 91 Quelldokumenten, 59 erfolgreich extrahiert |
| mcm | 96h | Englisch | pdflatex / article | [3, 6] | Seed v0.1 |
| diangong | 72h | Chinesisch | xelatex / ctex | [6, 8] | Seed v0.1 |
| Mode | Token | Rückmeldungsebene | Verwendung |
|---|---|---|---|
| fast | ≤ 50k | L1 single + Final Hard-Gate/Compressed Final Review | Aufgabenauswahl-Testlauf; für Lieferung bleiben Reproduktion/Statistik/PDF/Final-Gates erhalten |
| standard | ≤ 200k | L1+L2+Final L3 | Standard-Hauptworkflow |
| championship | ≤ 500k | L1+L2+L3+L4 + Red-Team | Letzter Sprint vor Abgabe |
Modus automatisch empfohlen (basierend auf verbleibender Zeit bis zur Deadline):
-
60h: standard (letzten 6h auf championship hochstufen)
- 24-60h: standard
- 6-24h: fast für kritische Phasen + championship Final Review
- < 6h: direkt zu Phase 9 (championship)
Index der 10 Phasen
| # | Phase | Referenz | Dauer | Rückmeldung | Wettbewerbsunterschiede |
|---|---|---|---|---|---|
| 0 | Source Packet + Team/Umgebungsstart | stage_00_kickoff.md | 1h | L1 | Dauer / Sprache / Compiler / Aufgabennummerierung |
| 1 | Aufgabenauswahl (mehrere → 1) | stage_01_problem_selection.md | 2-4h | L1 | Aufgabennummerierung (A-E/A-F/A-B) + task_type eintragen |
| 2 | Tiefgehende Problemanalyse und -zerlegung | stage_02_analysis.md | 2-3h | L1 | Generisch |
| 3 | Modellauswahl (≥3 Kandidaten) | stage_03_model_selection.md | 2-4h | L1 + Kontrafaktisch | Generisch |
| 4 | Grundlagen (Annahmen+Symbole+Terminologie) | stage_04_foundation.md | 1h | L1 | Generisch |
| 5 | Rekursive Teilproblem-Schleife Q1..Qn + Echter Lauf + per-Qi Aggregation | stage_05_subproblem_loop.md | 6-12h × n | L1 + Unter-Checkpoints | Unterschiede in der Anzahl Teilfragen; Reproduktion- und Datenleck-Prüfung |
| 6 | Statistische Validierung + Globale Sensitivität/Robustheit | stage_06_robustness.md | 2-3h | L1 + L2 | Ingenieurparameter vs mathematische Parameter; Intervalle und Ausfallgrenzen |
| 7 | Modellevaluierung + Verallgemeinerung | stage_07_evaluation.md | 1-2h | L1 | Generisch |
| 8 | Belegbasiertes wissenschaftliches Schreiben + Referenzvalidierung | stage_08_writing.md | 12-30h | L1 | Adaptive Seitenbudgetierung + Zusammenfassung/LaTeX + Terminologie/Zahlenkonsistenz; CUMCM 2026 AI-Erklärung/Anhang |
| 9 | Gegenseitige Blind-Review + PDF-Visual-QA + Lieferpaket | stage_09_review.md | 2-6h | L1 + L3 | 3 Blind-Review-Berichte + Synthese + Manifest + versionierter Lieferordner |
Lade-Protokoll (Token-sparende Schlüsselfunktion)
Laden Sie nur beim Eintritt in Phase N references/stage_NN_*.md. Laden Sie niemals alles auf einmal.
- Autopilot-Start: Zusätzlich laden
references/autopilot_delivery.mdundreferences/deliverable_contract.md - competition =
cumcm: Phase 0, 8, 9 zuerstcompetitions/cumcm/current_rules.mdvalidieren, dannreferences/cumcm_2026_compliance.mdladen; aktuelle Saison-Hinweise haben Vorrang und werden mit Überschreibungsbeziehung aufgezeichnet - Nature-Fähigkeit benötigt:
references/nature_capability_router.mdladen, dann nur das vollständigeSKILL.mddes gerouteten Skills und dessen für diesen Durchlauf benötigten Fragmente lesen
Zusätzliches Laden pro Phase (je nach Bedarf + nach competition umschalten):
- Phasenbeginn:
cwd/state/decision_log.jsonmuss gelesen werden - Phasenende:
cwd/state/decision_log.jsonmuss geschrieben werden (Kernentscheidungen + 5-dimensionale Bewertung) - Phase 1-9:
references/rubrics.mdentsprechender Abschnitt (für L1-Bewertung) - Phase 1:
competitions/<comp>/topic_specs.json(Aufgabenbuchstabe → task_type Mapping) - Phase 3, 5:
references/model_catalog.md(wettbewerbsübergreifend) - Phase 5: Nach per-Qi-Bewertung
scripts/score_artifact.py --mode aggregate_qiausführen, um zu aggregieren - Phase 5-6: Statistik/Diagramm-Routing +
qa/reproducibility.json,qa/statistics_audit.md - Phase 8:
competitions/<comp>/{winning_patterns, phrase_bank, abstract_template, paper_skeleton}.md+ Schreib-/Verfeinerungs-/Referenz-Routing; CUMCM generiertanalysis/page_budget.json,analysis/novelty_ledger.json, Algorithmus-Konsistenzprüfung, AI-Erklärung und PDF mit detaillierten Schlüsselereignissen - Phase 8 harte Schwellenbewertung:
competitions/<comp>/empirical.jsonliefert Beweise (cumcm Wahrheit; mcm/diangong Seed bringt automatisch [seed: ...] Markierung) - Phase 9:
competitions/<comp>/anti_patterns.md+rubric_overlay.json+feedback_layer3_panel.md+ PDF/Liefervertrag; CUMCM führt zuletzt versionierte Lieferpaketerstellung aus - Phase 9 Manuskript-Überarbeitung: Priorität
references/manuscript_revision_contract.md; öffentlicher Skill enthält keine Benutzermanuskripte, Bewertungen oder historischen Iterationsfälle. - Phase 9 Numerische und Inferenzprüfung: Kreuzvalidierung von Schlüsselergebnissen mit anderen Implementierungen oder Beobachtungsgrößen; bei Abweichungen zuerst Annahmen, Einheiten, Streuung, Vorverarbeitung und Optimierung untersuchen; alternative Algorithmen nicht direkt als Wahrheit behandeln. Gewöhnlicher F-Test erfordert verschachtelte Modelle und korrekte Fehlerverteilung; AIC erfordert keine Verschachtelung, aber vergleichbare Likelihood auf denselben Daten und korrekte Parameteranzahl. Bei korrelierten Spektraldaten korreliertes Fehlermodell oder geeignete Block-Validierung prüfen; alle datenabhängigen Schritte müssen innerhalb des Trainingsfolds abgeschlossen sein. Bei schlecht konditionierten Basisfunktionen Skalierung, Konditionszahl und Umgebungssensitivität prüfen; keine bloße Versionsdifferenz als Ursache behaupten.
p5/p95ist das zentrale 90%-Intervall; a priori Propagation, Szenarienbereich und Stichproben-Konfidenzintervalle müssen separat benannt werden. - Bei Auslösung von Rückmeldungen: entsprechende
references/feedback_layer*.md - Harness-Anpassungsunterschiede (für plattformübergreifende Benutzer wichtig):
references/harness_compat.md
Konvergenzkriterien (einheitliche Definition, an drei Stellen konsistent)
Verdict-Priorität (von hoch nach niedrig):
| Verdict | Auslöser | Verhalten |
|---|---|---|
block | Issues enthalten ≥1 high-severity | Guided: Anhalten; Autopilot: zuerst minimal reparieren, nur bei Hard-Blocker den Benutzer fragen |
pass_early | raw_min ≥ 9 AND weighted_mean ≥ 9 | Iter-1 vorzeitiger Ausstieg |
pass | raw_min ≥ 7 AND weighted_mean ≥ 8 | Nächste Phase betreten |
pass_with_review (Phase 5) | Mindestens ein Qi mark_for_review aber gewichteter Schwellenwert erfüllt | Phase 6 betreten, L2 muss review_qis lesen |
refine | Andere | Abschnitt-Patch verfeinern, iter+=1 (Obergrenze 3) |
refine_partial (Phase 5) | Mindestens ein Qi.min < 7, andere Qi pass | Nur dieses Qi verfeinern, andere nicht anfassen |
carryover | iter == 3 immer noch refine | Nächste Phase betreten, markieren, dass L2 es behandelt |
weighted_mean = Σ(s_i × w_i) / Σ(w_i), Gewichte aus config/dim_weights.json[<comp>][<task_type>] (clamp [0.7, 1.5]); task_type=default alle 1.0 entspricht alter Logik.
Diese Definition muss in feedback_layer1_critic.md / rubrics.md / scripts/score_artifact.py an allen drei Stellen vollständig identisch sein.
Status-Persistenz
Pro Phase:
- Anfang:
Read cwd/state/decision_log.json, current_stage und Kontext überprüfen - Ende: Stage-Knoten aktualisieren (Kernentscheidungen + verworfene Ansätze + Bewertung),
current_stage += 1
decision_log.json v4.1 Schema Schlüsselfelder (ausgerichtet mit templates/shared/decision_log.json):
- root:
competition,task_type,mode,current_stage,budget,events - execution:
interaction_mode,status,source_packet,nature_router,checkpoints,blockers - stage_5 Erweiterung:
qi_count,qi_weights,qi_status - scores Erweiterung: enthält
weighted_mean,review_qis,refine_qis(für Phasen 5 gewichtete Aggregation) - evidence / artifacts / qa: nur Zusammenfassungen, Locator, Artefakt-Pfade und Validierungsstatus speichern
- compliance.cumcm: Regelwerk 2026, KI-Nutzung & menschliche Bestätigung, getrennte Zählung Zusammenfassung/offizieller Haupttext/Anhang, Seitenränder/anonyme Prüfung, finaler Lieferpaketpfad; menschliche Bestätigungsfelder dürfen nicht vom Agenten selbst auf true gesetzt werden
- stage 8:
page_budgetspeichert geplante und tatsächliche Seitenzahlen, dynamische Teilfragengewichte und Ausnahmeerklärungen;novelty_ledgerspeichert Innovationstypen und Belege;qa/algorithm_claim_consistency.jsonmuss null blocking sein, um eingereicht zu werden
L2 phasenübergreifende Rückprüfung (am Ende von Phase 5/6/8) liest diese Datei aktiv nach Konflikten und löst ein gezieltes Rollback aus: nicht die gesamte Phase wiederholen, nur den Konfliktpunkt.
Token-Budget-Disziplin
- L1 Critic erzwingt JSON-Ausgabe, ~500 Token/Durchlauf
- Verfeinerungsstrategie: Abschnitt-Patch (
scripts/extract_diff.py), nicht das gesamte Artefakt erneut übertragen (spart ~60% Token) - references/ und competitions/ Dateien werden verzögert geladen, dieser SKILL.md Haupttext ≤ 6k Tokens
- Nach Phasenabschluss: Artefakt-Zusammenfassung + Schlüsseldaten + Pfade in decision_log schreiben, nicht den vollständigen Text im Kontext behalten
- 30% über Budget → automatischer Downgrade (championship → standard, standard → fast)
Benutzer-Befehls-Schnellzugriff
- „Betrete Phase N“ / „Wiederhole Phase N“ → Springen
- „Wechsel zu mcm“ / „Wechsel zu cumcm“ / „Wechsel zu diangong“ → decision_log.competition ändern (Kompatibilität mit vorhandenem Status beachten)
- „Upgrade auf championship“ → L3 + L4 + Red-Team aktivieren
- „Wechsel zu fast“ → Iterationen abschalten
- „Gehe zurück zu Phase M“ → decision_log lesen, current_stage zurücksetzen und Knoten ≥M bereinigen
- „Mache L2 Rückprüfung“ → Sofort plattformübergreifende Rückschau auslösen
- „Zeige Fortschritt“ → decision_log Zusammenfassung + aktuelle Bewertung ausgeben
Datenquellen-Erklärung
competitions/cumcm/: Aggregierte Messungen aus 91 Quelldokumenten von 2023–2025, von denen 59 erfolgreich extrahiert und inempirical.jsonaufgenommen wurden; nur statistische Felder und unabhängig verfasste, allgemeine Regeln werden veröffentlicht, keine PDFs, extrahierte Texte oder seitenweise Benutzerfallstudien. Diese Beobachtungen sind empirische A priori, keine offiziellen Regeln.competitions/mcm/: SEED v0.1, basierend auf COMAPs öffentlicher Scoring-Rubrik + öffentlichen Outstanding Winner-Mustern; empirical Platzhalter.competitions/diangong/: SEED v0.1, basierend auf historischem Aufgabenumfang + öffentlichen Bewertungsstandards geschätzt; empirical Platzhalter.- Allgemeine Modellliste
references/model_catalog.mdwettbewerbsübergreifend wiederverwendet.
Wenn später neue, ausdrücklich zur Verarbeitung zugelassene Quelldokumente verfügbar werden (z. B. unter offener Lizenz oder mit schriftlicher Genehmigung des Urheberrechtsinhabers), können Sie mit scripts/ingest_papers.py --competition <comp> außerhalb des Repos den Seed neu backen und überschreiben. Keine Originaldokumente oder extrahierten Texte zurück ins öffentliche Repo bringen.
Beziehung zu externen Ressourcen und optionalen Skills
Kernmodellierung und Liefervertrag sind autark; Internetzugriff und separat installierte externe Skills sind optionale Verstärkungen, die bei Nichtverfügbarkeit degradiert und protokolliert werden müssen. Es dürfen keine Referenzen oder Ergebnisse aufgrund fehlender externer Fähigkeiten gefälscht werden. CUMCM validiert zuerst die offizielle Baseline, führt dann die im cumcm_2026_compliance.md klar gekennzeichneten Maintainer-Strategien aus und erstellt mit package_delivery.py einen Ordner.
Verfügbare nature-* Skills werden schreibgeschützt über references/nature_capability_router.md geroutet. Deren Quellcode, Dokumentation und Assets dürfen nicht kopiert, modifiziert oder weiterverteilt werden; sie sind keine Abhängigkeiten dieses Projekts und stellen auch keine offizielle Verbindung dar. Die Hauptkette kann optional academic-search, statistics, figure, writing, polishing, ref-verifier, reviewer verwenden; reader, paper-card, downloader, citation, data, paper2ppt werden bedingt ausgelöst. Die folgenden Ressourcen können auch als manuelle Ergänzung dienen:
- CUMCM:
personqianduixue/Math_Model,datawhalechina/intro-mathmodel,dxs.moe.gov.cnGalerie herausragender Arbeiten - MCM: COMAP-Website
comap.com,MCM Tutorial(Frank Giordano) - Diangong: Konferenzband der chinesischen Gesellschaft für Elektrotechnik