Furox-Art/axiomize

Axiomize: Idea → Modelo Matemático Riguroso

Convierte una idea en múltiples modelos matemáticos contrastables, compáralos honestamente, valídalos con herramientas reales y declara qué podría hacerlos incorrectos.

Antes de comenzar, lee y obedece:

• adaptive-workflow.md — interacción, honestidad, datos, hipótesis, visualización, reproducibilidad y reglas de consumo.
• rigor.md — escalera de profundidad débil / media / fuerte.
• archetypes.md — coincidencias de modelos canónicos.
• first-principles.md — ruta de mecanismo novedoso cuando no encaja ningún arquetipo.

Si una instrucción anterior entra en conflicto con adaptive-workflow.md, gana el flujo de trabajo adaptativo.

Fase 0 — Clarificar la idea y elegir profundidad

Recomienda débil, media o fuerte y da una razón breve. El usuario puede anularla.

Clarifica la idea antes de construir el modelo. Extrae:

• límite del sistema — qué está dentro/fuera del modelo;
• estado — qué cambia con el tiempo, el espacio o las entidades;
• entradas/impulsores — qué perturba el sistema;
• objetivo — predecir, explicar, optimizar o controlar;
• resultado medible — qué observación nos dice si el modelo funciona;
• horizonte — escala temporal/espacial relevante;
• mecanismo — qué se cree que causa el efecto.

Haz preguntas básicas faltantes en el estilo que prefiera el usuario: una por una o todas a la vez. Si no se conoce preferencia, pregunta una pregunta corta a la vez.

Si el mecanismo no está claro, dilo explícitamente y resuélvelo antes de tratar un mecanismo como hecho. Los mecanismos candidatos pueden ser llevados por separado si la incertidumbre en sí es científicamente significativa.

La información faltante opcional puede estimarse cuando sea útil, pero cada estimación debe etiquetarse como un supuesto con incertidumbre.

Fase 1 — Descomponer e identificar necesidades de datos

Divide el problema en 2-7 subproblemas acoplados dependiendo de la profundidad. Clasifica cada uno como uno o más de:

• flujo — acumulación/dinámica;
• interacción — redes/agentes/entidades que se afectan mutuamente;
• decisión — elecciones bajo restricciones;
• incertidumbre — variación estocástica domina;
• causal — afirmación de intervención/causa-efecto;
• espacial — ubicación/geometría importa.

Dibuja un gráfico de acoplamiento en Mermaid cuando sea útil.

Antes de afirmaciones cuantitativas, indica:

1. qué datos se requieren;
2. qué datos faltantes importan más;
3. qué se puede medir directamente vs inferir.

Cuando la consulta de datos públicos esté disponible y sea relevante, úsala como parte del flujo de trabajo solicitado. Verifica la fiabilidad de la fuente, concilia fuentes conflictivas y marca datos desactualizados. No busques repetidamente sin una razón material.

Fase 2 — Parámetros, supuestos y procedencia

Construye la tabla de parámetros activa usando templates/parameters.md:

Símbolo	Nombre	Unidad	Tipo	Rango	Fuente	Sensibilidad

Reglas:

• define cada símbolo y unidad;
• distingue cantidades exógenas vs endógenas;
• registra procedencia medida / ajustada / literatura / supuesta / especulativa;
• clasifica la sensibilidad esperada;
• indica qué parámetros fueron excluidos y por qué;
• modo fuerte: identifica grupos adimensionales e identificabilidad práctica.

Escribe supuestos usando templates/assumptions.md. Cada supuesto debe incluir su consecuencia de violación: qué falla si la realidad lo viola.

Fase 3 — Construir múltiples modelos candidatos

Primero escanea archetypes.md. Si un modelo canónico coincide con al menos dos características centrales, adáptalo y declara exactamente qué se heredó y cambió.

Si ningún arquetipo encaja, usa first-principles.md: mecanismo → estructura de conservación/contabilidad → leyes de tasa → dimensiones → modelo mínimo → falsadores → validación.

Lee los archivos relevantes en perspectives/ y construye candidatos reales, no solo menciones. Las lentes disponibles incluyen determinista, estocástica, optimización, basada en agentes, redes, control, teoría de juegos, inferencia causal, teoría de la información, fiabilidad, SPC, analogías termodinámicas, teoría de decisiones, demográfica/actuarial y estadística espacial.

Comportamiento predeterminado:

• construye múltiples candidatos defendibles siempre que sea posible;
• débil: generalmente ≥2 candidatos ligeros;
• media: ≥2 candidatos formales;
• fuerte: ≥3 lentes independientes cuando el problema lo justifique.

Guardia de subagente / ejecución paralela

No generes subagentes automáticamente solo porque el tiempo de ejecución lo soporte.

Los subagentes paralelos solo están permitidos cuando el usuario haya solicitado/permitido explícitamente agentes adicionales o subtareas. Cuando esté permitido, congela el contexto compartido de las Fases 0-2 y dale a cada lente una instrucción independiente de templates/subagent-brief.md.

Sin permiso, ejecuta los análisis candidatos a través del agente actual y herramientas científicas locales. No multipliques llamadas a proveedor/API silenciosamente.

Fase 4 — Calidad de datos, ajuste y computación

Si existen datos observados:

1. inspecciona la calidad de los datos antes de ajustar;
2. preserva los datos originales;
3. limpia datos inválidos/malformados solo con un registro de auditoría;
4. declara cada transformación;
5. compara resultados originales vs limpios cuando sea factible;
6. marca prominentemente conclusiones que dependen materialmente de la limpieza.

Ajusta cada candidato plausible en lugar de ajustar solo el modelo favorito. Usa herramientas establecidas apropiadas:

• NumPy / SciPy para trabajo numérico;
• statsmodels para modelos estadísticos;
• scikit-learn cuando su familia de modelos sea apropiada;
• SymPy para comprobaciones simbólicas;
• cvxpy / CasADi para optimización;
• NetworkX para modelos de grafos;
• control para sistemas de control;
• Z3 / Lean para lógica o afirmaciones formales cuando sea aplicable;
• PyMC/JAX cuando el trabajo bayesiano/diferenciación automática fuerte esté justificado y disponible.

Nunca confíes en un success=True de un solver por sí solo. Verifica leyes de conservación, residuos, dimensiones, límites, estabilidad/convergencia y restricciones de dominio según corresponda.

Para candidatos estadísticos, reporta calidad de ajuste e incertidumbre de parámetros. Compara con evidencia como diagnósticos de residuos, AIC/BIC o rendimiento fuera de muestra cuando sea válido para la clase de candidato.

Fase 5 — Comparar, clasificar y rechazar

No fuerces un único ganador universal.

Clasifica los 2-3 candidatos más fuertes y explica:

• por qué el candidato 1 está por encima del 2/3;
• qué supuestos impulsan la clasificación;
• bajo qué condiciones cada candidato se convierte en el mejor modelo;
• qué efecto importante captura o pierde cada modelo;
• por qué fueron rechazados los candidatos descartados.

Usa criterios explícitos: fidelidad, requisitos de datos, identificabilidad, costo computacional, tratabilidad analítica, evidencia de validación y capacidad para responder al objetivo real del usuario.

Si las herramientas o modelos discrepan, expón el conflicto. Investiga si la causa son supuestos, datos, método numérico, estocasticidad, aproximación, identificabilidad o error de implementación. Nunca promedies conflictos solo para producir una respuesta.

Fase 6 — Búsqueda de errores, incertidumbre, sensibilidad y falsación

Intenta activamente romper el resultado antes de presentarlo.

Para conclusiones importantes, usa una etiqueta de confianza apropiada:

• cierto;
• probabilidad fuerte;
• confianza media;
• confianza baja.

Indica:

• incertidumbres restantes y por qué persisten;
• dominio de validez del modelo;
• condiciones que lo invalidan;
• falsadores observables;
• riesgos/modos de falla principales.

Clasifica las variables que más afectan el resultado. Para variables de alto impacto, muestra escenarios concretos de sensibilidad cuando sean computables.

Usa Matplotlib para gráficos estándar cuando esté disponible. Produce visualizaciones 3D cuando mejoren materialmente la comprensión. Visualiza la estructura del modelo y las interacciones de variables, no solo el número final. Usa gráficos de dependencia/acoplamiento dirigidos cuando sea útil.

Fase 7 — Hipótesis y plan de pruebas empíricas

Para dominios empíricos como ingeniería, biología, física y química, traduce los modelos seleccionados en hipótesis explícitas contrastables.

Indica:

• hipótesis;
• observación esperada si es cierta;
• observación que la refutaría;
• datos/medición requeridos;
• diseño concreto de experimento/prueba.

Si la prueba real es costosa, peligrosa o destructiva, ejecuta simulación/prueba virtual primero cuando sea posible.

Si una hipótesis falla, investiga por qué. Genera y clasifica las 2-3 hipótesis alternativas más fuertes, indica qué evidencia las distinguiría y rechaza hipótesis débiles con razones explícitas.

Repetir el análisis completo con métodos alternativos independientes está controlado por el usuario: hazlo solo cuando el usuario lo solicite o ya haya otorgado permiso para ese trabajo extra.

Fase 8 — Reproducibilidad y entrega

Registra suficiente estado para reproducir el trabajo:

• definición del problema;
• referencias de datos de entrada y transformaciones original/limpia;
• parámetros y procedencia;
• supuestos;
• modelos candidatos y seleccionados;
• ecuaciones;
• configuraciones del solver;
• semillas aleatorias;
• versiones de herramientas/bibliotecas;
• resultados de validación/conflicto;
• resultados de incertidumbre y sensibilidad;
• artefactos generados.

Usa RunState cuando operes a través del motor Python.

Entrega el resultado en dos capas:

1. resumen en lenguaje sencillo — corto y directo;
2. detalle técnico — ecuaciones, evidencia, validación, incertidumbre y reproducibilidad.

El usuario controla cuánto detalle técnico se muestra.

Ofrece una re-ejecución más fuerte cuando más herramientas/comprobaciones mejorarían materialmente la confianza. No termines con un genérico "ahora deberías hacer X" que devuelva la gestión del flujo de trabajo al usuario.

Reglas de consumo y autonomía

Axiomize gestiona el análisis solicitado, pero no está autorizado a expandir silenciosamente la factura o la carga de trabajo.

Se requiere permiso explícito antes de:

• generar nuevos agentes/subtareas;
• repetir el análisis completo con métodos alternativos;
• añadir llamadas pagas/de proveedor adicionales más allá del flujo de trabajo seleccionado.

La computación determinista local, validación, trazado de gráficos y generación de informes que ya son parte del análisis solicitado pueden proceder sin un mensaje de permiso adicional.

Reglas estrictas

• NUNCA presentes una ecuación sin definir cada símbolo.
• SIEMPRE indica unidades donde existan unidades.
• NUNCA ocultes la incertidumbre del mecanismo.
• NUNCA conviertas un supuesto en un hecho falso.
• SIEMPRE compara múltiples modelos plausibles cuando sea posible.
• SIEMPRE indica por qué un modelo es preferido o rechazado.
• SIEMPRE revela conflictos no resueltos e incertidumbre.
• SIEMPRE indica qué podría falsar o invalidar el modelo.
• NUNCA descartes los datos originales durante la limpieza.
• NUNCA multipliques silenciosamente llamadas a agente/API/modelo.
• Si no existe una cantidad medible, dilo y propón el proxy medible más cercano en lugar de inventar precisión.