mathmodel-skill — Compétence générique pour trois concours de modélisation mathématique (v7.4.5)
Industrialisation de la tâche « Réaliser un mémoire de concours en 3-4 jours » en 10 étapes. Lorsque l'utilisateur fournit le sujet, le mode par défaut est Autopilot (livraison en un clic) : lecture du sujet, modélisation, résolution par code, statistiques/graphiques, citations, rédaction du mémoire, vérification visuelle du PDF et liste de livraison. Si l'utilisateur dit simplement « Commencer la modélisation », le mode guidé (questions numérotées) est conservé. Chaque étape produit une auto-évaluation par rubrique, des correctifs au niveau des sections, des vérifications croisées entre étapes et une revue finale en aveugle.
Mise à jour v7.2 : En plus de la conformité et de la livraison dans un dossier unique de la v7.1, ajout d'un page_budget.json adaptatif ; le corps du texte est distribué selon l'importance de la tâche et la charge de preuves, les annexes sont paginées naturellement pour une reproductibilité complète. Nouveau novelty_ledger, vérification stricte de la cohérence entre le nom de l'algorithme, la définition mathématique, le code, les logs du solveur et les résultats expérimentaux, et divulgation de l'IA en ne conservant que les interactions substantielles clés. Les skills externes sont optionnels, pas une dépendance matérielle.
Mise à jour v7.3 : Révision des documents existants par correctif minimal, en verrouillant d'abord les chapitres du manuscrit original, le nombre de pages du corps du texte, le nombre/taille des figures et tableaux et les annexes complètes, puis en réparant un par un les problèmes vérifiables. La version publique supprime les modèles tiers non autorisés, les cas d'utilisation et les données privées page par page, et conserve les workflows, les statistiques agrégées, la traçabilité des preuves et les contrôles de stabilité numérique.
Mise à jour v7.4 : Utilisation du SKILL.md standard comme point d'entrée inter-agents, ajout des chemins de découverte pour Claude Code, Cursor, VS Code/Copilot, OpenCode, de la dégradation des outils et de l'interopérabilité de l'état, et fourniture d'un installateur sécurisé scripts/install_skill.py.
Révision d'un document existant : d'abord préserver la base
« Modifier après audit » ne signifie pas réécrire. Lire references/manuscript_revision_contract.md : conserver la structure, les figures et la longueur déjà approuvées par l'utilisateur ; chaque modification doit correspondre à un problème vérifié. Ne pas changer le modèle principal, compresser l'ensemble, supprimer des figures, déplacer des tableaux, réduire des figures ou refaire toutes les annexes sans autorisation. Après la révision, mesurer le nombre de pages du nouveau PDF et le comparer aux chapitres, à la liste des figures et tableaux et aux dimensions du manuscrit source ; les problèmes scientifiques non résolus doivent rester honnêtement dans la liste d'audit, sans être remplacés par de nouvelles réponses non vérifiées.
Point d'entrée Agent Skills (inter-agents)
Ce fichier est le seul point d'entrée du workflow pour n'importe quel client. Tout agent prenant en charge SKILL.md doit le charger avec le répertoire de ressources adjacent comme un tout ; ne pas copier ce fichier uniquement.
Emplacements de découverte courants :
- Installation utilisateur :
$HOME/.agents/skills/mathmodel-skill/ - Installation au niveau du projet :
<repo>/.agents/skills/mathmodel-skill/ - Claude Code :
~/.claude/skills/mathmodel-skill/ou<repo>/.claude/skills/mathmodel-skill/ - Cursor :
~/.cursor/skills/mathmodel-skill/ou<repo>/.cursor/skills/mathmodel-skill/ - VS Code/Copilot :
~/.copilot/skills/mathmodel-skill/ou<repo>/.github/skills/mathmodel-skill/ - OpenCode :
~/.config/opencode/skills/mathmodel-skill/ou<repo>/.opencode/skills/mathmodel-skill/ - Métadonnées d'interface utilisateur :
agents/openai.yaml(Codex optionnel) - Métadonnées de distribution de plugin :
.codex-plugin/plugin.json+skills/mathmodel-skill/SKILL.mdshim (Codex optionnel) - Instructions du projet :
AGENTS.mdpeut toujours servir d'instructions au niveau du repo/espace de travail, mais pas de point d'entrée unique
Une fois la skill installée, l'utilisateur peut simplement dire « Commencer la modélisation », utiliser la commande /mathmodel-skill, ou déclencher via le langage naturel / les commandes skill du client.
Compatibilité Harness et stratégie de dégradation
Cette skill v7.4.5 utilise le SKILL.md standard comme point d'entrée principal, tout en conservant une conception indépendante du harness :
| Harness | Entrée / Découverte | Outil d'interaction utilisateur | Fichier d'état |
|---|---|---|---|
| Claude Code | .claude/skills/<nom>/SKILL.md | Outil AskUserQuestion | cwd/state/decision_log.json |
| Codex CLI / Codex app | .agents/skills/<nom>/SKILL.md + plugin optionnel | Liste numérotée Markdown | Idem (interopérable) |
| Cursor | .cursor/skills/<nom>/SKILL.md ou .agents/skills/ | Commande slash / Sélection agent | Idem (interopérable) |
| VS Code/Copilot | .github/skills/<nom>/SKILL.md ou .agents/skills/ | Menu /skills / Sélection agent | Idem (interopérable) |
| OpenCode | .opencode/skills/<nom>/SKILL.md ou .agents/skills/ | Outil skill | Idem (interopérable) |
| Autre agent compatible | SKILL.md dans le répertoire skills du client | UI native ; sinon liste numérotée | Idem (interopérable) |
Interopérabilité entre harness : le jour 1, utiliser Codex pour les étapes 0-2, le jour 2, passer à Claude Code pour les étapes 3+, l'état est entièrement préservé. Voir references/harness_compat.md.
Si le harness actuel ne dispose pas d'AskUserQuestion, d'outil skill ou d'interface utilisateur d'options : conserver le même ensemble de champs de décision, utiliser une liste numérotée Markdown ou une question en texte libre sur une ligne ; ne pas demander à l'utilisateur de modifier manuellement decision_log.json, ne pas falsifier les résultats en raison de l'absence d'outil.
Deux modes d'interaction
interaction_mode est orthogonal à fast / standard / championship : le premier détermine si l'on s'arrête pour demander à l'utilisateur, le second détermine la profondeur de l'analyse.
| interaction_mode | Déclencheur | Comportement |
|---|---|---|
autopilot | L'utilisateur a fourni le texte/PDF/image/pièce jointe du sujet et demande une résolution ou une livraison | Exécute en continu de l'étape 0 à un package de livraison vérifiable ; les décisions ordinaires adoptent automatiquement la recommandation et l'enregistrent ; ne pose de question qu'en cas de blocage matériel |
guided | L'utilisateur dit seulement « Commencer la modélisation », le sujet n'est pas divulgué, ou il demande explicitement une collaboration progressive | Utilise des questions numérotées pour les décisions clés |
En mode autopilot, lire obligatoirement references/autopilot_delivery.md et references/deliverable_contract.md. En cas de besoin de littérature, statistiques, figures, rédaction, citations ou révision finale, router via references/nature_capability_router.md ; ne jamais modifier les skills nature.
Protocole de questions-réponses guidé (mode convivial)
Principe fondamental : L'utilisateur en mode guidé n'a besoin de répondre qu'à des questions numérotées ; il ne doit pas être invité à taper du bash / python / json manuellement. En mode autopilot, ces questions sont traitées par l'agent en adoptant l'option recommandée et en l'écrivant dans l'état, sans pause.
- Les options discrètes du mode guidé (choisir le concours / choisir le sujet / choisir le modèle / décision verdict) → doivent être sous forme de questions-réponses
- Texte libre (chemin du PDF / date limite) → réponse sur une seule ligne
- Lecture/écriture de l'état (decision_log.json) → effectuée automatiquement par l'agent
- Chaque point de décision clé d'une étape comporte une option de repli « Laissez-moi décider (recommandation X) » ; l'utilisateur peut choisir 4 sans réfléchir et le workflow fonctionne quand même
Claude Code : utiliser l'outil AskUserQuestion ; Codex : utiliser une liste numérotée Markdown (1-4 + repli). Les deux sont sémantiquement équivalents, voir references/harness_compat.md §1.
Protocole de résolution de chemin (à lire à toute étape)
| Type | Emplacement | Exemple |
|---|---|---|
| Général dans la skill | Chemin relatif par rapport au répertoire racine de la skill | references/stage_05_subproblem_loop.md, templates/shared/decision_log.json |
| Spécifique au concours | competitions/<comp>/... dispatch selon decision_log.competition | competitions/cumcm/winning_patterns.md, competitions/mcm/abstract_template.md |
| Modèle LaTeX | templates/latex/<comp>/main.tex | templates/latex/cumcm/main.tex, templates/latex/mcm/main.tex |
| Résultat utilisateur | Chemin relatif au cwd/ de l'utilisateur | cwd/{state,analysis,src,results,figures,paper_workspace,paper_output,support_materials,qa,delivery}/ |
| Persistance de l'état | cwd/state/decision_log.json | À lire et écrire à chaque étape |
| Variables d'environnement | MATHMODEL_STATE_DIR (compatible CUMCM_STATE_DIR) / MATHMODEL_COMPETITION peuvent être surchargés | Les scripts utilisent ces variables |
Convention : <skill>/ = répertoire d'installation de la skill, <cwd>/ = répertoire de travail de l'utilisateur, <comp>/ = concours actuel (cumcm | mcm | diangong).
Démarrage rapide
A. L'utilisateur fournit directement le sujet → Livraison en un clic par défaut
1. Déterminer si le paquet source contient un sujet lisible et les pièces jointes nécessaires.
2. Lire references/autopilot_delivery.md, deliverable_contract.md, nature_capability_router.md ; s'il s'agit de CUMCM, vérifier d'abord `competitions/cumcm/current_rules.md`, puis lire `references/cumcm_2026_compliance.md`.
3. Exécuter automatiquement le script `scripts/bootstrap_run.py` pour initialiser ou restaurer l'état ; ne pas écraser les fichiers existants.
4. Déduire le concours, l'année, la lettre et la langue à partir du sujet/nom du fichier ; ne poser qu'une seule question si la confiance est faible et que cela affecte le modèle.
5. Charger `competitions/<comp>/winning_patterns.md` et la documentation de l'étape en cours, exécuter consécutivement les étapes 0 à 9 ; pour CUMCM, exécuter `scripts/plan_paper_budget.py` avant la rédaction du corps du texte, pour verrouiller d'abord le périmètre de comptage des pages du corps/annexes et la distribution de l'espace des sous-questions en fonction de la charge de preuves.
6. Utiliser d'abord le code de sortie 0 de `scripts/validate_delivery.py` comme porte mécanique centrale ; les préoccupations scientifiques/visuelles bloquantes sont toujours évaluées par l'étape 9.
7. Tous les concours exécutent finalement `scripts/package_delivery.py` pour produire un dossier versionné ; pour CUMCM, générer d'abord le `AI 工具使用详情.pdf` (PDF des détails d'utilisation des outils d'IA) ; en cas de blocage nécessitant une confirmation humaine, conserver le paquet candidat et le fichier `NOT_SUBMISSION_READY.md`.
B. L'utilisateur dit seulement « Commencer la modélisation » → Guidé
1. Introduction en une phrase (≤ 50 mots) : « Lancement du workflow de modélisation mathématique, 10 étapes + trois concours, collaboration guidée par questions numérotées. »
2. Questions uniques en 5 points (Claude Code : message unique AskUserQuestion ; Codex : 5 listes numérotées) :
- Concours (cumcm / mcm / diangong, défaut cumcm)
- Numéro du sujet (selon le concours : cumcm A-E / mcm A-F / diangong A-B ; « non divulgué » possible)
- Nombre de membres de l'équipe + spécialités de chacun (modélisation/programmation/rédaction)
- Date limite (chaîne ISO ou « dans X heures »)
- Chemin du PDF du sujet (« non divulgué » possible)
3. Initialisation automatique (l'agent exécute `scripts/bootstrap_run.py --mode guided` ; ne pas demander à l'utilisateur de modifier le json) :
- État inexistant → initialiser à partir du modèle v4
- Existant → `--resume` et lire current_stage pour décider du point de reprise
4. Charger `competitions/<comp>/winning_patterns.md` une fois (établir la base), ne plus le lire par la suite
5. Entrer dans l'étape 0 (references/stage_00_kickoff.md), ne pas répéter les questions déjà posées
Déclenchement avec état existant (l'utilisateur revient à la skill en cours de route) :
1. Lire le champ competition et current_stage de cwd/state/decision_log.json
2. Charger le fichier stage_NN.md correspondant (en combinant le contenu competitions/<comp>/* si nécessaire)
3. Ne pas relire winning_patterns
Matrice trois concours × trois modes
La durée / la langue / le modèle / l'état des données sont déterminés par le concours ; le budget de tokens / la profondeur de feedback par le mode ; la stratégie de pause par interaction_mode. Les trois sont orthogonaux.
| Concours | Durée | Langue | LaTeX | IQR du nombre de sous-questions | État des données |
|---|---|---|---|---|---|
| cumcm | 72h | Chinois | xelatex / ctexart original | [3, 5] | Statistiques agrégées de 91 documents source, 59 extractions réussies |
| mcm | 96h | Anglais | pdflatex / article | [3, 6] | seed v0.1 |
| diangong | 72h | Chinois | xelatex / ctex | [6, 8] | seed v0.1 |
| Mode | Token | Couche de feedback | Utilisation |
|---|---|---|---|
| fast | ≤ 50k | L1 unique + porte finale / révision finale compressée | Test de sélection de sujet ; si une livraison est demandée, conserve les portes de reproductibilité/statistiques/PDF/révision finale |
| standard | ≤ 200k | L1+L2+ L3 finale | Workflow principal par défaut |
| championship | ≤ 500k | L1+L2+L3+L4 + red-team | Dernière ligne droite avant la soumission |
Recommandation automatique du mode (selon le temps restant avant la date limite) :
-
60h : standard (passer en championship les 6 dernières heures)
- 24-60h : standard
- 6-24h : fast pour les étapes clés + révision finale championship
- < 6h : aller directement à l'étape 9 (championship)
Index des 10 étapes
| # | Étape | Référence | Durée | Feedback | Points de différence par concours |
|---|---|---|---|---|---|
| 0 | Paquet source + environnement équipe | stage_00_kickoff.md | 1h | L1 | Durée / Langue / Compilateur / Système de numérotation des sujets |
| 1 | Sélection du sujet (comparaison de plusieurs sujets → 1) | stage_01_problem_selection.md | 2-4h | L1 | Système de numérotation (A-E/A-F/A-B) + écriture de task_type |
| 2 | Analyse et décomposition approfondie du problème | stage_02_analysis.md | 2-3h | L1 | Général |
| 3 | Sélection du modèle (≥ 3 candidats) | stage_03_model_selection.md | 2-4h | L1 + contrefactuel | Général |
| 4 | Fondements (hypothèses + symboles + terminologie) | stage_04_foundation.md | 1h | L1 | Général |
| 5 | Boucle récursive de sous-problèmes Q1..Qn + exécution réelle + agrégation per-Qi | stage_05_subproblem_loop.md | 6-12h × n | L1 + sous-points de contrôle | Différence du nombre de sous-questions ; vérification de la reproductibilité et des fuites de données |
| 6 | Validation statistique + sensibilité globale / robustesse | stage_06_robustness.md | 2-3h | L1 + L2 | Paramètres d'ingénierie vs paramètres mathématiques ; intervalles et limites de défaillance |
| 7 | Évaluation du modèle + généralisation | stage_07_evaluation.md | 1-2h | L1 | Général |
| 8 | Rédaction du mémoire avec preuves + vérification des citations | stage_08_writing.md | 12-30h | L1 | Budget de pages adaptatif + résumé/LaTeX + cohérence terminologique/numérique ; déclaration IA/annexes CUMCM 2026 |
| 9 | Révision finale en aveugle + vérification visuelle du PDF + mise en paquet de livraison | stage_09_review.md | 2-6h | L1 + L3 | 3 rapports en aveugle + synthèse + manifeste + dossier de livraison versionné |
Protocole de chargement (clé pour économiser des tokens)
Ne charger references/stage_NN_*.md qu'à l'entrée de l'étape N. Ne jamais tout lire en une fois.
- Démarrage en autopilot : charger en plus
references/autopilot_delivery.mdetreferences/deliverable_contract.md - Si le concours est
cumcm: aux étapes 0, 8 et 9, vérifier d'abordcompetitions/cumcm/current_rules.md, puis chargerreferences/cumcm_2026_compliance.md; les nouvelles notifications de l'année en cours sont prioritaires et les relations de couverture sont enregistrées - Si une capacité naturelle est nécessaire : charger
references/nature_capability_router.md, puis lire uniquement leSKILL.mdcomplet de la skill routée et ses fragments nécessaires pour cette occasion
Chargements supplémentaires par étape (au besoin + selon le concours) :
- Au début de chaque étape : lecture obligatoire de
cwd/state/decision_log.json - À la fin de chaque étape : écriture obligatoire de
cwd/state/decision_log.json(décisions clés + score 5 dimensions) - Étapes 1-9 : chapitres correspondants de
references/rubrics.md(pour le score L1) - Étape 1 :
competitions/<comp>/topic_specs.json(mapping numéro de sujet → task_type) - Étapes 3, 5 :
references/model_catalog.md(commun à tous les concours) - Étape 5 : après le scoring per-Qi, exécuter
scripts/score_artifact.py --mode aggregate_qipour l'agrégation - Étapes 5-6 : routage statistique/graphique +
qa/reproducibility.json,qa/statistics_audit.md - Étape 8 :
competitions/<comp>/{winning_patterns, phrase_bank, abstract_template, paper_skeleton}.md+ routage rédaction/amélioration/citation ; pour CUMCM, généreranalysis/page_budget.json,analysis/novelty_ledger.json, audit de cohérence des algorithmes, déclaration IA et PDF détaillé des événements clés - Étape 8 score seuil dur : injection de preuves depuis
competitions/<comp>/empirical.json(cumcm valeurs réelles ; mcm/diangong seed avec marque [seed: ...] automatique) - Étape 9 :
competitions/<comp>/anti_patterns.md+rubric_overlay.json+feedback_layer3_panel.md+ contrat PDF/livraison ; pour CUMCM, exécuter finalement la mise en paquet de livraison versionné - Étape 9 révision manuscrit existant : exécuter prioritairement
references/manuscript_revision_contract.md; la skill publique n'intègre pas les manuscrits, scores ou cas d'itération historiques de l'utilisateur. - Étape 9 vérification numérique et inférentielle : les résultats clés sont recoupés avec différentes implémentations ou observables ; les divergences sont d'abord investiguées du côté des hypothèses, unités, dispersion, prétraitement et optimisation ; ne pas prendre directement un algorithme alternatif pour valeur de vérité. Un test F ordinaire doit satisfaire aux conditions d'emboîtement et de distribution des erreurs ; AIC n'exige pas d'emboîtement, mais nécessite des vraisemblances comparables sur les mêmes données et un comptage correct des paramètres. Les données spectrales corrélées nécessitent une validation du modèle d'erreur corrélé ou une validation par blocs appropriée ; toutes les étapes dépendant des données doivent être effectuées dans les plis d'entraînement. Vérifier l'échelle, le nombre de conditionnement et la sensibilité à l'environnement pour les bases de fonctions mal conditionnées ; ne pas attribuer la cause racine uniquement à une différence de version.
p5/p95correspond à l'intervalle central à 90% ; la propagation des a priori, le champ des scénarios et les intervalles de confiance de l'échantillon doivent être nommés distinctement. - Lors du déclenchement du feedback :
references/feedback_layer*.mdcorrespondant - Différences d'adaptation du harness (lecture obligatoire pour l'utilisateur inter-agents) :
references/harness_compat.md
Critère de convergence (définition unifiée, cohérent à trois endroits)
Priorité du verdict (de la plus élevée à la plus basse) :
| verdict | Déclencheur | Comportement |
|---|---|---|
block | Les problèmes contiennent ≥1 de haute sévérité | Guidé : pause ; Autopilot : correction minimale d'abord, ne demander à l'utilisateur qu'en cas de blocage matériel |
pass_early | raw_min ≥ 9 ET weighted_mean ≥ 9 | Sortie anticipée à l'itération 1 |
pass | raw_min ≥ 7 ET weighted_mean ≥ 8 | Passer à l'étape suivante |
pass_with_review (étape 5) | Un Qi marqué mark_for_review mais seuil pondéré satisfait | Passer à l'étape 6, lire obligatoirement L2 review_qis |
refine | Autres | Correction section-level, iter+=1 (cap 3) |
refine_partial (étape 5) | Un Qi.min < 7, autres Qi déjà pass | Corriger uniquement ce Qi, ne pas toucher aux autres |
carryover | iter == 3 toujours refine | Passer à l'étape suivante, marquer pour traitement L2 |
weighted_mean = Σ(s_i × w_i) / Σ(w_i), les poids proviennent de config/dim_weights.json[<comp>][<task_type>] (clamp [0.7, 1.5]) ; task_type=default tout à 1.0 équivalent à l'ancienne logique.
Cette définition doit être parfaitement cohérente dans feedback_layer1_critic.md / rubrics.md / scripts/score_artifact.py.
Persistance de l'état
À chaque étape :
- Début :
Read cwd/state/decision_log.json, vérifier current_stage et le contexte - Fin : mettre à jour le nœud de l'étape (décisions clés + options écartées + scores),
current_stage += 1
Champs clés du schéma decision_log.json v4.1 (aligné avec templates/shared/decision_log.json) :
- root :
competition,task_type,mode,current_stage,budget,events - execution :
interaction_mode,status,source_packet,nature_router,checkpoints,blockers - extension stage_5 :
qi_count,qi_weights,qi_status - extension scores : contient
weighted_mean,review_qis,refine_qis(pour l'agrégation pondérée à l'étape 5) - evidence / artifacts / qa : stocke uniquement le résumé, le localisateur, le chemin de l'artefact et l'état de la vérification
- compliance.cumcm : ensemble de règles 2026, utilisation de l'IA et confirmation humaine, comptage séparé résumé/corps officiel/annexes, marges/examen anonyme, chemin du paquet de livraison final ; les champs de confirmation humaine ne doivent pas être mis à true par l'agent lui-même
- stage 8 :
page_budgetsauvegarde les pages prévues et réelles, les poids dynamiques des sous-questions et les explications des anomalies ;novelty_ledgersauvegarde le type d'innovation et les preuves ;qa/algorithm_claim_consistency.jsondoit avoir zéro blocking pour pouvoir soumettre
Les vérifications croisées inter-étapes L2 (à la fin des étapes 5/6/8) lisent ce fichier pour trouver activement les conflits et déclencher un rollback ciblé : ne pas refaire toute l'étape, seulement le point de conflit.
Discipline du budget de tokens
- Le critique L1 force la sortie JSON, ~500 tokens/fois
- Stratégie de correction : correctif section-level (
scripts/extract_diff.py), ne pas retransmettre l'artefact complet (économie ~60% de tokens) - Les fichiers
references/etcompetitions/sont chargés paresseusement, le corps de ce SKILL.md est ≤ 6k tokens - Après la fin d'une étape, le résumé de l'artefact + les données clés + les chemins sont écrits dans decision_log, le texte complet n'est pas conservé dans le contexte
- Dépassement de 30% du budget → dégradation automatique (championship → standard, standard → fast)
Raccourcis de commande utilisateur
- « Aller à l'étape N » / « Refaire l'étape N » → saut
- « Passer à mcm » / « Passer à cumcm » / « Passer à diangong » → modifier
decision_log.competition(attention à la compatibilité avec l'état existant) - « Passer en championship » → activer L3 + L4 + red-team
- « Passer en fast » → désactiver les itérations
- « Revenir à l'étape M » → lire decision_log, revenir à current_stage et nettoyer les nœuds ≥M
- « Faire une vérification croisée L2 » → déclencher immédiatement un backtrack inter-étapes
- « Voir la progression » → afficher le résumé de decision_log + les scores actuels
Déclaration des sources de données
competitions/cumcm/: Mesures agrégées de 91 documents sources datant de 2023 à 2025, dont 59 ont été extraits avec succès et intégrés dansempirical.json; seules les statistiques et les règles générales rédigées de manière indépendante sont publiées, pas les PDF, les textes extraits ou les cas page par page des utilisateurs. Ces observations sont des a priori empiriques, pas des règles officiellescompetitions/mcm/: SEED v0.1, basé sur la rubrique de notation publique COMAP + les modèles publics de gagnants Outstanding ; placeholders empiricalcompetitions/diangong/: SEED v0.1, basé sur le nombre de sujets des années précédentes + les critères d'évaluation publics ; placeholders empirical- La liste générique des modèles
references/model_catalog.mdest réutilisée d'un concours à l'autre
Si des documents sources supplémentaires, clairement autorisés à être traités (par exemple, licence publique ou autorisation écrite du propriétaire), sont obtenus ultérieurement, ils peuvent être utilisés pour recuire et remplacer les seeds hors du dépôt en utilisant scripts/ingest_papers.py --competition <comp> ; ne pas ramener les documents originaux ou les textes extraits dans le dépôt public.
Relation avec les ressources externes et les skills optionnelles
Le contrat central de modélisation et de livraison est autonome ; la recherche en ligne et les skills externes installées séparément sont des améliorations à la demande, doivent être dégradées et enregistrées si indisponibles. Ne pas falsifier les citations ou les résultats en raison de l'absence de capacité externe. Pour CUMCM, vérifier d'abord la base officielle, puis exécuter les stratégies du mainteneur explicitement marquées dans cumcm_2026_compliance.md, et utiliser package_delivery.py pour générer un dossier.
Les skills nature-* disponibles sont routées en lecture seule via references/nature_capability_router.md. Ne pas copier, modifier ou redistribuer leur code source, documentation ou actifs ; elles ne sont pas une dépendance de ce projet et n'impliquent aucune affiliation officielle. La chaîne principale peut optionnellement utiliser academic-search, statistics, figure, writing, polishing, ref-verifier, reviewer ; reader, paper-card, downloader, citation, data, paper2ppt sont déclenchés conditionnellement. Les ressources suivantes peuvent également servir de complément humain :
- CUMCM :
personqianduixue/Math_Model,datawhalechina/intro-mathmodel, galerie de mémoires exemplairesdxs.moe.gov.cn - MCM : site web COMAP
comap.com,MCM Tutorial(Frank Giordano) - Diangong : Actes de la conférence de la Société chinoise de génie électrique