mathmodel-skill — Habilidad universal para tres competencias de modelado matemático (v7.4.5)
10 fases que convierten "3-4 días para redactar un artículo de competencia" en un proceso de ingeniería. Cuando el usuario proporciona directamente el enunciado del problema, se activa por defecto el modo Autopilot de entrega con un solo clic: lectura automática del problema, modelado, solución mediante código, estadística/gráficos, referencias, redacción del artículo, revisión visual del PDF y lista de entrega. Cuando el usuario solo dice "comenzar a modelar", se conserva el Modo Guiado de preguntas numeradas. Cada fase produce una autoevaluación basada en rúbricas, parches a nivel de sección, verificaciones cruzadas entre fases y una revisión final ciega entre pares.
Actualización v7.2: Basado en v7.1 de cumplimiento y entrega en una sola carpeta, se añade page_budget.json adaptativo; el texto principal se asigna según la importancia de la tarea y la carga de evidencia, y el apéndice se pagina naturalmente para una reproducción completa. Se añade novelty_ledger, una puerta de consistencia obligatoria entre el nombre del algoritmo, la definición matemática, el código, los registros del solver y los resultados experimentales, y solo se conservan las interacciones clave sustanciales en la divulgación de IA. Las habilidades externas son opcionales, no dependencias estrictas.
Actualización v7.3: Revisión de artículos existentes con parches mínimos. Primero se bloquean los capítulos del manuscrito original, el número de páginas del texto, los números/cantidades/dimensiones de figuras y tablas, y el apéndice completo, y luego se reparan uno por uno los problemas verificables. La versión de distribución pública elimina las plantillas de terceros no autorizadas, los casos de usuario y los datos privados página por página, conservando el flujo de trabajo redactado de forma independiente, las estadísticas agregadas, el rastreo de evidencia y las comprobaciones de estabilidad numérica.
Actualización v7.4: Se adopta el SKILL.md estándar como punto de entrada multiplataforma, añadiendo rutas de descubrimiento para Claude Code, Cursor, VS Code/Copilot y OpenCode, directrices de degradación de herramientas e instrucciones para la interoperabilidad del estado, además de un instalador seguro scripts/install_skill.py.
Revisión de artículos existentes: preservar la línea base primero
"Modificar después de una auditoría" no es reescribir. Lea obligatoriamente references/manuscript_revision_contract.md: conserve la estructura, las figuras y la extensión ya aceptadas por el usuario; cada cambio corresponde a un problema verificado. No está permitido cambiar el modelo principal, comprimir todo el artículo, eliminar figuras para mover tablas, reducir figuras o rehacer todo el apéndice sin autorización. Después de la revisión, verifique la cantidad de páginas con el PDF más reciente y compárelo con los capítulos, la lista de figuras y tablas y las dimensiones del manuscrito fuente; los problemas científicos no resueltos deben quedar honestamente en la lista de auditoría, sin reemplazar las respuestas sin verificar por el hecho de afirmar que todo está resuelto.
Punto de entrada de habilidades del agente (multiplataforma)
Este archivo es el único punto de entrada del flujo de trabajo en todos los clientes. Cualquier agente que admita SKILL.md debe cargarlo junto con el directorio de recursos adyacente como un todo; no copie solo este archivo.
Ubicaciones comunes de descubrimiento:
- Instalación a nivel de usuario:
$HOME/.agents/skills/mathmodel-skill/ - Instalación a nivel de proyecto:
<repo>/.agents/skills/mathmodel-skill/ - Claude Code:
~/.claude/skills/mathmodel-skill/o<repo>/.claude/skills/mathmodel-skill/ - Cursor:
~/.cursor/skills/mathmodel-skill/o<repo>/.cursor/skills/mathmodel-skill/ - VS Code/Copilot:
~/.copilot/skills/mathmodel-skill/o<repo>/.github/skills/mathmodel-skill/ - OpenCode:
~/.config/opencode/skills/mathmodel-skill/o<repo>/.opencode/skills/mathmodel-skill/ - Metadatos de UI:
agents/openai.yaml(Codex opcional) - Metadatos de distribución de plugins:
.codex-plugin/plugin.json+skills/mathmodel-skill/SKILL.mdshim (Codex opcional) - Guía de proyecto:
AGENTS.mdpuede seguir siendo una instrucción a nivel de repo/workspace, pero no es el único punto de entrada
Una vez instalada la habilidad, el usuario puede decir directamente "comenzar a modelar", /mathmodel-skill, o usar el comando de lenguaje natural/habilidad del cliente para activarla.
Compatibilidad con sistemas y estrategia de degradación
Esta habilidad v7.4.5 utiliza el SKILL.md estándar como punto de entrada principal, manteniendo al mismo tiempo un diseño independiente del sistema (harness-agnostic):
| Harness | Punto de entrada/detección | Herramienta de interacción con el usuario | Archivo de estado |
|---|---|---|---|
| Claude Code | .claude/skills/<name>/SKILL.md | Herramienta AskUserQuestion | cwd/state/decision_log.json |
| Codex CLI / Codex app | .agents/skills/<name>/SKILL.md + plugin opcional | Lista numerada en markdown | Mismo (Interoperable) |
| Cursor | .cursor/skills/<name>/SKILL.md o .agents/skills/ | Comando slash / Selección de agente | Mismo (Interoperable) |
| VS Code/Copilot | .github/skills/<name>/SKILL.md o .agents/skills/ | Menú /skills / Selección de agente | Mismo (Interoperable) |
| OpenCode | .opencode/skills/<name>/SKILL.md o .agents/skills/ | Herramienta skill | Mismo (Interoperable) |
| Otros agentes compatibles | SKILL.md en el directorio de habilidades del cliente | UI nativa; si no, lista numerada | Mismo (Interoperable) |
Interoperabilidad entre harnesses: el día 1 se usa Codex para ejecutar las etapas 0-2, el día 2 se cambia a Claude Code para continuar con la etapa 3+, y el estado se conserva por completo. Consulte references/harness_compat.md.
Si el harness actual no tiene AskUserQuestion, herramienta de habilidad o UI de opciones nativa: mantenga el mismo conjunto de campos de decisión, use una lista numerada de markdown o una línea de texto libre para preguntar; no solicite al usuario que edite manualmente decision_log.json, ni invente resultados debido a la falta de herramientas.
Dos modos de interacción
interaction_mode es ortogonal a fast / standard / championship: el primero determina si se pausa para preguntar al usuario, el segundo determina la profundidad del análisis.
| interaction_mode | Disparador | Comportamiento |
|---|---|---|
autopilot | El usuario ya ha proporcionado el texto/PDF/imagen/adjunto del problema y solicita solución o entrega | Ejecuta continuamente desde la etapa 0 hasta el paquete de entrega verificable; las decisiones normales adoptan automáticamente la opción recomendada y la registran; solo pregunta por bloqueos duros |
guided | El usuario solo dice "comenzar a modelar", el problema no se ha revelado, o solicita explícitamente una colaboración paso a paso | Las decisiones clave utilizan preguntas numeradas |
Autopilot debe leer obligatoriamente references/autopilot_delivery.md y references/deliverable_contract.md. En caso de necesitar referencias bibliográficas, estadísticas, gráficos, redacción, citas o revisión final, enrutar según references/nature_capability_router.md; nunca modificar las habilidades Nature.
Protocolo de preguntas guiadas (Modo Amigable)
Principio fundamental: los usuarios en modo guiado solo necesitan responder preguntas numeradas; no se les debe pedir que escriban comandos bash / python / json. En el modo autopilot, estas preguntas son adoptadas por el agente con la opción recomendada y escritas en el estado, sin pausas.
- Opciones discretas en modo guiado (elegir competencia / elegir problema / elegir modelo / decisión de veredicto) → Deben ser preguntas
- Texto libre (ruta del PDF / fecha límite) → Respuesta en una sola línea
- Lectura/escritura de estado (decision_log.json) → El agente lo hace automáticamente
- Cada punto de decisión clave de cada etapa tiene una opción "Déjame decidir (Recomiendo X)", y el usuario puede simplemente elegir 4 para continuar
Claude Code: usa la herramienta AskUserQuestion; Codex: usa listas numeradas de markdown (1-4 + opción por defecto). Ambos son semánticamente equivalentes, consulte references/harness_compat.md §1.
Protocolo de resolución de rutas (lectura obligatoria en cualquier etapa)
| Tipo | Ubicación | Ejemplo |
|---|---|---|
| General dentro de la habilidad | Ruta relativa desde el directorio raíz de la habilidad | references/stage_05_subproblem_loop.md, templates/shared/decision_log.json |
| Específico de la competencia | competitions/<comp>/... distribuido según decision_log.competition | competitions/cumcm/winning_patterns.md, competitions/mcm/abstract_template.md |
| Plantillas LaTeX | templates/latex/<comp>/main.tex | templates/latex/cumcm/main.tex, templates/latex/mcm/main.tex |
| Artefactos del usuario | Ruta relativa cwd/ del usuario | cwd/{state,analysis,src,results,figures,paper_workspace,paper_output,support_materials,qa,delivery}/ |
| Persistencia de estado | cwd/state/decision_log.json | Lectura y escritura obligatorias en cada etapa |
| Variables de entorno | MATHMODEL_STATE_DIR (compatible con CUMCM_STATE_DIR) / MATHMODEL_COMPETITION puede sobrescribir | Los scripts usan esta variable |
Convención: <skill>/ = directorio de instalación de la habilidad, <cwd>/ = cwd del usuario, <comp>/ = competencia actual (cumcm | mcm | diangong).
Inicio rápido
A. El usuario proporciona directamente el enunciado del problema → entrega con un clic por defecto
1. Determinar si el paquete fuente contiene el enunciado del problema legible y los archivos adjuntos necesarios.
2. Leer `references/autopilot_delivery.md`, `deliverable_contract.md`, `nature_capability_router.md`; si es CUMCM, primero verificar `competitions/cumcm/current_rules.md`, luego leer `references/cumcm_2026_compliance.md`.
3. Ejecutar automáticamente `scripts/bootstrap_run.py` para inicializar o restaurar el estado; no sobrescribir archivos existentes.
4. Inferir competencia, año, letra, idioma a partir del texto/nombre del archivo; solo hacer 1 pregunta cuando la confianza sea baja y afecte a la plantilla.
5. Cargar `competitions/<comp>/winning_patterns.md` y el documento de la etapa actual, ejecutar secuencialmente las Etapas 0-9; para CUMCM, ejecutar `scripts/plan_paper_budget.py` antes de escribir el texto principal, bloqueando primero el recuento de páginas de texto/apéndice y la asignación de extensión por subpregunta según la cantidad de evidencia.
6. Usar primero `scripts/validate_delivery.py` con código de salida 0 como puerta mecánica principal; los problemas científicos/visuales que bloquean aún son evaluados por la Etapa 9.
7. Todas las competencias ejecutan finalmente `scripts/package_delivery.py` para generar una carpeta versionada; para CUMCM, se debe generar primero `AI 工具使用详情.pdf` (PDF de detalles de uso de herramientas de IA), y si hay un bloqueador de confirmación humana, conservar el paquete candidato y `NOT_SUBMISSION_READY.md`.
B. El usuario solo dice "comenzar a modelar" → Guiado
1. Introducción de un párrafo (≤50 caracteres): "Iniciando flujo de trabajo de modelado matemático, 10 fases + 3 competencias, colaboración guiada numerada."
2. 5 preguntas de una sola vez (Claude Code: un solo mensaje con AskUserQuestion; Codex: 5 listas numeradas):
- Competencia (cumcm nacional / mcm internacional / diangong copa de ingeniería eléctrica, predeterminado cumcm)
- Número del problema (según competencia: cumcm A-E / mcm A-F / diangong A-B; también puede ser "no revelado")
- Número de miembros del equipo y especialidad de cada uno (modelado/programación/redacción)
- Fecha límite (cadena ISO o "X horas desde ahora")
- Ruta del PDF del problema (también puede ser "no revelado")
3. Inicialización automática (el agente ejecuta `scripts/bootstrap_run.py --mode guided`; no hacer que el usuario edite json):
- Estado inexistente → inicializar desde la plantilla v4
- Estado existente → `--resume` y leer current_stage para determinar el punto de reanudación
4. Cargar `competitions/<comp>/winning_patterns.md` una vez (establecer línea base), no leerlo de nuevo
5. Entrar en la Etapa 0 (`references/stage_00_kickoff.md`), no repetir preguntas ya hechas
Disparador de estado existente (el usuario regresa a la habilidad a mitad de camino):
1. Leer `cwd/state/decision_log.json` para obtener competition y current_stage
2. Cargar el archivo `stage_NN.md` correspondiente (combinar con contenido de `competitions/<comp>/*` según sea necesario)
3. No leer de nuevo `winning_patterns`
Matriz de 3 competencias × 3 modos
La duración / idioma / plantilla / estado de los datos están determinados por la competencia; el presupuesto de tokens / la profundidad de la retroalimentación están determinados por el modo; la estrategia de pausa está determinada por el modo de interacción. Los tres son ortogonales.
| Competencia | Duración | Idioma | LaTeX | IQR de subpreguntas | Estado de datos |
|---|---|---|---|---|---|
| cumcm | 72h | Chino | xelatex / ctexart original | [3, 5] | Estadísticas agregadas de 91 documentos fuente, 59 extraídos con éxito |
| mcm | 96h | Inglés | pdflatex / article | [3, 6] | semilla v0.1 |
| diangong | 72h | Chino | xelatex / ctex | [6, 8] | semilla v0.1 |
| Modo | Tokens | Capa de retroalimentación | Uso |
|---|---|---|---|
| fast | ≤ 50k | L1 única + puerta final dura/final comprimido | Prueba de selección de problema; si se solicita entrega, se mantienen las puertas de reproducción/estadísticas/PDF/revisión final |
| standard | ≤ 200k | L1+L2+ L3 final | Flujo principal predeterminado |
| championship | ≤ 500k | L1+L2+L3+L4 + red-team | Último sprint antes de la presentación |
Modo recomendado automáticamente (según tiempo restante hasta la fecha límite):
-
60h: standard (ascender a championship en las últimas 6h)
- 24-60h: standard
- 6-24h: fast para fases críticas + revisión final championship
- < 6h: ir directamente a la etapa 9 (championship)
Índice de las 10 fases
| # | Fase | Referencia | Duración | Retroalimentación | Diferencias entre competencias |
|---|---|---|---|---|---|
| 0 | Paquete fuente + inicio del equipo/entorno | stage_00_kickoff.md | 1h | L1 | Duración / Idioma / Compilador / Sistema de numeración de problemas |
| 1 | Selección del problema (comparación de múltiples problemas → 1) | stage_01_problem_selection.md | 2-4h | L1 | Sistema de numeración (A-E/A-F/A-B) + escritura de task_type |
| 2 | Análisis y descomposición profunda del problema | stage_02_analysis.md | 2-3h | L1 | General |
| 3 | Selección del modelo (≥3 candidatos) | stage_03_model_selection.md | 2-4h | L1 + contrafactual | General |
| 4 | Fundamentos (supuestos + símbolos + terminología) | stage_04_foundation.md | 1h | L1 | General |
| 5 | Bucle recursivo de subproblemas Q1..Qn + ejecución real + agregación por Qi | stage_05_subproblem_loop.md | 6-12h × n | L1 + sub-puntos de control | Diferencia en número de subpreguntas; verificación de reproducción y fuga de datos |
| 6 | Validación estadística + sensibilidad global / robustez | stage_06_robustness.md | 2-3h | L1 + L2 | Parámetros de ingeniería vs matemáticos; límites de intervalo y fallo |
| 7 | Evaluación del modelo + generalización | stage_07_evaluation.md | 1-2h | L1 | General |
| 8 | Redacción del artículo basado en evidencia + verificación de citas | stage_08_writing.md | 12-30h | L1 | Presupuesto de páginas adaptativo + resumen/LaTeX + consistencia de terminología/valores; declaración/apéndice de IA de CUMCM 2026 |
| 9 | Revisión final ciega + QA visual del PDF + empaquetado de entrega | stage_09_review.md | 2-6h | L1 + L3 | 3 informes ciegos + síntesis + manifiesto + carpeta de entrega versionada |
Protocolo de carga (clave para ahorrar tokens)
Cargar solo references/stage_NN_*.md al entrar en la etapa N. Nunca leer todo de una vez.
- Inicio de Autopilot: cargar adicionalmente
references/autopilot_delivery.mdyreferences/deliverable_contract.md - Competencia
cumcm: Etapas 0, 8, 9: primero verificarcompetitions/cumcm/current_rules.md, luego cargarreferences/cumcm_2026_compliance.md; los nuevos avisos del año de competencia actual tienen prioridad y se registra la relación de anulación - Necesidad de capacidad Nature: cargar
references/nature_capability_router.md, luego leer solo elSKILL.mdcompleto de la habilidad enrutada y sus fragmentos necesarios para esta ocasión
Carga adicional de cada etapa (según sea necesario + según la competencia):
- Al inicio de cada etapa: lectura obligatoria de
cwd/state/decision_log.json - Al final de cada etapa: escritura obligatoria en
cwd/state/decision_log.json(decisión central + puntuación de 5 dimensiones) - Etapas 1-9: capítulos correspondientes de
references/rubrics.md(para puntuación L1) - Etapa 1:
competitions/<comp>/topic_specs.json(asignación de número de problema → task_type) - Etapas 3, 5:
references/model_catalog.md(general para todas las competencias) - Etapa 5: después de la puntuación por Qi, ejecutar
scripts/score_artifact.py --mode aggregate_qipara agregar - Etapas 5-6: enrutamiento de estadísticas/gráficos +
qa/reproducibility.json,qa/statistics_audit.md - Etapa 8:
competitions/<comp>/{winning_patterns, phrase_bank, abstract_template, paper_skeleton}.md+ enrutamiento de escritura/pulido/citas; para CUMCM generaranalysis/page_budget.json,analysis/novelty_ledger.json, auditoría de consistencia de algoritmos, declaración de IA y PDF de detalles de eventos clave - Puntuación de umbral estricto de la Etapa 8:
competitions/<comp>/empirical.jsoninyecta evidencia (valores reales de cumcm; mcm/diangong seed lleva automáticamente la marca [seed: ...]) - Etapa 9:
competitions/<comp>/anti_patterns.md+rubric_overlay.json+feedback_layer3_panel.md+ contrato PDF/entrega; para CUMCM ejecutar finalmente el empaquetado de entrega versionada - Revisión de artículos existentes de la Etapa 9**: ejecutar prioritariamente
references/manuscript_revision_contract.md; la habilidad pública no incluye manuscritos de usuario, puntuaciones o casos de iteración histórica. - Comprobaciones numéricas y de inferencia de la Etapa 9**: los resultados clave deben verificarse de forma cruzada con implementaciones diferentes u observables; primero investigar supuestos, unidades, dispersión, preprocesamiento y optimización ante discrepancias; no tomar directamente el algoritmo alternativo como verdad absoluta. Las pruebas F ordinarias deben cumplir las condiciones de anidamiento y distribución de errores; AIC no requiere anidamiento, pero requiere una verosimilitud comparable en los mismos datos y un recuento correcto de parámetros. Los datos espectrales correlacionados requieren la verificación de un modelo de error de correlación o una validación de bloques adecuada; todos los pasos dependientes de los datos deben completarse dentro del pliegue de entrenamiento. Las funciones base mal condicionadas requieren la comprobación de la escala, el número de condición y la sensibilidad ambiental; no se puede afirmar la causa raíz solo por diferencias de versión.
p5/p95es el intervalo central del 90%; la propagación a priori, el alcance del escenario y el intervalo de confianza del muestreo deben nombrarse por separado. - Al activar la retroalimentación: archivos
references/feedback_layer*.mdcorrespondientes - Diferencias de adaptación entre harnesses (lectura obligatoria para usuarios multiplataforma):
references/harness_compat.md
Criterios de convergencia (definición unificada, consistente en tres lugares)
Prioridad del veredicto (de mayor a menor):
| Veredicto | Disparador | Comportamiento |
|---|---|---|
block | incidencias que contienen ≥1 de alta gravedad | Guiado: pausa; Autopilot: primero reparación mínima, solo preguntar al usuario si hay un bloqueo duro |
pass_early | raw_min ≥ 9 Y weighted_mean ≥ 9 | Salida temprana en iter-1 |
pass | raw_min ≥ 7 Y weighted_mean ≥ 8 | Avanzar a la siguiente etapa |
pass_with_review (etapa 5) | Cualquier Qi marcado para revisión pero se cumple el umbral ponderado | Avanzar a la etapa 6, lectura obligatoria de review_qis en L2 |
refine | Otros | Parche a nivel de sección, iter+=1 (límite 3) |
refine_partial (etapa 5) | Cualquier Qi.min < 7, otros Qi ya en pass | Refinar solo ese Qi, sin tocar los demás |
carryover | iter == 3 aún en refine | Avanzar a la siguiente etapa, marcar para que lo maneje L2 |
weighted_mean = Σ(s_i × w_i) / Σ(w_i), pesos provienen de config/dim_weights.json[<comp>][<task_type>] (clamp [0.7, 1.5]); task_type=default todo 1.0 equivalente a la lógica anterior.
Esta definición debe ser completamente consistente en feedback_layer1_critic.md / rubrics.md / scripts/score_artifact.py.
Persistencia del estado
Cada etapa:
- Inicio:
Read cwd/state/decision_log.json, verificar current_stage y contexto - Final: actualizar el nodo de la etapa (decisión central + esquemas descartados + puntuación),
current_stage += 1
Campos clave del esquema decision_log.json v4.1 (alineado con templates/shared/decision_log.json):
- raíz:
competition,task_type,mode,current_stage,budget,events - ejecución:
interaction_mode,status,source_packet,nature_router,checkpoints,blockers - extensión de etapa 5:
qi_count,qi_weights,qi_status - extensión de puntuaciones: incluye
weighted_mean,review_qis,refine_qis(para agregación ponderada en etapa 5) - evidence / artifacts / qa: solo almacenar resumen, localizador, ruta del artefacto y estado de verificación
- compliance.cumcm: conjunto de reglas 2026, uso de IA y confirmación humana, recuento separado de resumen/texto oficial/apéndice, márgenes/revisión anónima, ruta del paquete de entrega final; los campos de confirmación humana no pueden ser establecidos como true por el agente
- etapa 8:
page_budgetguarda el plan y las páginas reales, los pesos dinámicos de las subpreguntas y las anomalías;novelty_ledgerguarda el tipo de innovación y la evidencia;qa/algorithm_claim_consistency.jsondebe tener cero bloqueos para poder enviar
La verificación cruzada entre etapas de L2 (al final de las etapas 5/6/8) lee este archivo para buscar activamente conflictos, activando una reversión dirigida: no rehacer toda la etapa, solo el punto de conflicto.
Disciplina del presupuesto de tokens
- Crítico L1: salida JSON forzada, ~500 tokens/vez
- Estrategia de refinamiento: parche a nivel de sección (
scripts/extract_diff.py), no retransmitir el artefacto completo (ahorro ~60% de tokens) - Archivos en
references/ycompetitions/carga diferida, el cuerpo principal de esteSKILL.md≤ 6k tokens - Una vez completada la etapa, el resumen del artefacto + datos clave + rutas se escriben en decision_log, no se mantiene el texto completo en el contexto
- Exceder el presupuesto en un 30% → degradación automática (championship → standard, standard → fast)
Atajos de instrucciones del usuario
- "Ir a la etapa N" / "Rehacer etapa N" → saltar
- "Cambiar a mcm" / "Cambiar a cumcm" / "Cambiar a diangong" → modificar
decision_log.competition(tener en cuenta la compatibilidad con el estado existente) - "Actualizar a championship" → activar L3 + L4 + red-team
- "Cambiar a fast" → desactivar iteración
- "Retroceder a la etapa M" → leer decision_log, retroceder current_stage y limpiar los nodos ≥M
- "Hacer verificación cruzada L2" → activar inmediatamente la verificación cruzada entre etapas
- "Ver progreso" → generar resumen de decision_log + puntuación actual
Declaración de fuentes de datos
competitions/cumcm/: mediciones agregadas de 91 documentos fuente de 2023–2025, de los cuales 59 fueron extraídos exitosamente como texto y entraron enempirical.json; solo se publican los campos estadísticos y las reglas generales redactadas de forma independiente, no se publican PDF, texto extraído o casos de usuario página por página. Estas observaciones son a priori empírica, no reglas oficiales.competitions/mcm/: SEED v0.1, basado en la rúbrica de puntuación pública de COMAP + patrones públicos de Outstanding Winner; marcador de posición empírica.competitions/diangong/: SEED v0.1, estimado a partir de la cantidad de problemas históricos + criterios de revisión públicos; marcador de posición empírica.- Lista general de modelos
references/model_catalog.mdreutilizable entre competencias.
Si en el futuro se obtienen nuevos documentos fuente que se permitan procesar explícitamente (por ejemplo, con licencia pública o autorización por escrito del propietario del material), se puede usar scripts/ingest_papers.py --competition <comp> para volver a hornear y sobrescribir la semilla fuera del repositorio; no se deben traer documentos originales o texto extraído al repositorio público.
Relación con recursos externos y habilidades opcionales
El contrato central de modelado y entrega es autónomo; la búsqueda en línea y las habilidades externas instaladas por separado son mejoras bajo demanda, que deben degradarse y registrarse cuando no estén disponibles. No se deben inventar citas o resultados debido a la falta de capacidades externas. Para CUMCM, primero verificar la línea base oficial, luego ejecutar la estrategia del mantenedor marcada explícitamente en cumcm_2026_compliance.md, y usar package_delivery.py para generar una carpeta.
Las habilidades nature-* disponibles se enrutan solo de lectura a través de references/nature_capability_router.md. No se permite copiar, modificar o redistribuir su código fuente, documentación o activos; no son una dependencia de este proyecto ni representan ninguna afiliación oficial. La cadena principal puede usar opcionalmente academic-search, statistics, figure, writing, polishing, ref-verifier, reviewer; reader, paper-card, downloader, citation, data, paper2ppt se activan condicionalmente. Los siguientes recursos también pueden servir como complemento manual:
- Competencia nacional:
personqianduixue/Math_Model,datawhalechina/intro-mathmodel, galería de artículos destacados endxs.moe.gov.cn - MCM/ICM: Sitio web oficial de COMAP
comap.com,MCM Tutorial(Frank Giordano) - Diangong Cup: Actas de la Sociedad de Ingeniería Eléctrica de China