mathmodel-skill — 수학적 모델링 3대 경진대회 공용 Skill (v7.4.5)
10단계로 '3-4일 안에 1편의 경진대회 논문 작성'을 공학화합니다. 사용자가 문제를 직접 제시하면 기본적으로 Autopilot 원클릭 납품: 문제 읽기, 모델링, 코드 해결, 통계/그래프, 인용, 논문, PDF 시각 QA 및 납품 체크리스트를 자동으로 완료합니다. '모델링 시작'이라고만 말하면 번호가 매겨진 질문 형식의 Guided Mode를 유지합니다. 각 단계의 결과물은 rubric 자체 평가, section-level patch, 단계 간 회귀 검사 및 최종 상호 블라인드 심사를 거칩니다.
v7.2 업데이트: v7.1의 규정 준수 및 단일 폴더 납품을 기반으로 적응형 page_budget.json을 추가했습니다. 본문은 작업 중요도와 증거 부담에 따라 할당하고, 부록은 완전한 재현성을 위해 자연스럽게 페이지를 나눕니다. novelty_ledger, 알고리즘 이름-수학적 정의-코드-솔버 로그-실험 결과 일관성 하드 게이트, 그리고 핵심 실질적 상호작용만 남긴 AI 공개를 추가했습니다. 선택적 외부 skills는 하드 의존성이 아닙니다.
v7.3 업데이트: 기존 논문은 최소 패치로 수정합니다. 먼저 원고의 장, 본문 페이지 수, 그림/표 번호/개수/크기 및 전체 부록을 고정한 후, 확인 가능한 문제를 항목별로 수정합니다. 공개 배포판에서는 승인되지 않은 제3자 템플릿, 사용자 사례 및 페이지별 개인 데이터를 제거하고, 독립적으로 작성된 워크플로우, 집계 통계, 증거 추적 및 수치적 안정성 검사를 유지합니다.
v7.4 업데이트: 표준 SKILL.md를 교차 Agent 진입점으로 사용하고, Claude Code, Cursor, VS Code/Copilot, OpenCode의 검색 경로, 도구 다운그레이드 및 상태 공유에 대한 설명을 추가하고, 안전한 scripts/install_skill.py 설치 프로그램을 제공합니다.
기존 논문 개정: 먼저 기준선 보존
'감사 후 수정'은 재작성이 아닙니다. references/manuscript_revision_contract.md를 반드시 읽으십시오. 사용자가 이미 승인한 구조, 그림 및 분량을 유지하십시오. 각 변경 사항은 확인된 문제 하나에 대응해야 합니다. 승인 없이 주 모델을 교체하거나, 전체를 압축하거나, 그림을 삭제하고 표로 옮기거나, 그림을 축소하거나, 모든 부록을 다시 만들 수 없습니다. 개정 후 최신 PDF의 실제 페이지 수를 측정하고 원고의 장, 그림/표 목록 및 크기와 비교하십시오. 완료되지 않은 과학적 문제는 감사 목록에 그대로 남겨두고, 모든 문제가 해결되었다고 주장하기 위해 검증되지 않은 새로운 답변으로 대체하지 마십시오.
Agent Skills 진입점 (교차 Agent)
이 파일은 모든 클라이언트의 유일한 워크플로우 진입점입니다. SKILL.md를 지원하는 모든 Agent는 이 파일을 인접한 리소스 디렉토리와 함께 하나의 단위로 로드해야 합니다. 파일만 복사하지 마십시오.
일반적인 검색 위치:
- 사용자 수준 설치:
$HOME/.agents/skills/mathmodel-skill/ - 프로젝트 수준 설치:
<repo>/.agents/skills/mathmodel-skill/ - Claude Code:
~/.claude/skills/mathmodel-skill/또는<repo>/.claude/skills/mathmodel-skill/ - Cursor:
~/.cursor/skills/mathmodel-skill/또는<repo>/.cursor/skills/mathmodel-skill/ - VS Code/Copilot:
~/.copilot/skills/mathmodel-skill/또는<repo>/.github/skills/mathmodel-skill/ - OpenCode:
~/.config/opencode/skills/mathmodel-skill/또는<repo>/.opencode/skills/mathmodel-skill/ - UI 메타데이터:
agents/openai.yaml(Codex 선택 사항) - 플러그인 배포 메타데이터:
.codex-plugin/plugin.json+skills/mathmodel-skill/SKILL.mdshim (Codex 선택 사항) - 프로젝트 지침:
AGENTS.md는 여전히 repo / workspace 수준의 instructions로 사용될 수 있지만, 유일한 진입점은 아닙니다.
스킬이 설치된 후, 사용자는 "모델링 시작", /mathmodel-skill을 직접 말하거나 클라이언트의 자연어/skill 명령을 사용하여 트리거할 수 있습니다.
Harness 호환성 및 다운그레이드 전략
이 스킬 v7.4.5는 표준 SKILL.md를 일등 진입점으로 사용하면서 harness-agnostic 설계를 유지합니다:
| harness | 진입점/검색 | 사용자 상호작용 도구 | 상태 파일 |
|---|---|---|---|
| Claude Code | .claude/skills/<name>/SKILL.md | AskUserQuestion 도구 | cwd/state/decision_log.json |
| Codex CLI / Codex app | .agents/skills/<name>/SKILL.md + 선택적 plugin | markdown 번호 목록 | 동일 (상호 운용) |
| Cursor | .cursor/skills/<name>/SKILL.md 또는 .agents/skills/ | slash command / Agent 선택 | 동일 (상호 운용) |
| VS Code/Copilot | .github/skills/<name>/SKILL.md 또는 .agents/skills/ | /skills 메뉴 / Agent 선택 | 동일 (상호 운용) |
| OpenCode | .opencode/skills/<name>/SKILL.md 또는 .agents/skills/ | skill 도구 | 동일 (상호 운용) |
| 기타 호환 Agent | 클라이언트 skills 디렉토리의 SKILL.md | 네이티브 UI; 그렇지 않으면 번호 목록 | 동일 (상호 운용) |
교차 harness 상호 운용: 1일차에 Codex로 stage 0-2를 실행하고, 2일차에 Claude Code로 전환하여 stage 3+를 계속할 수 있으며, 상태가 완전히 보존됩니다. 자세한 내용은 references/harness_compat.md를 참조하십시오.
현재 harness에 AskUserQuestion, skill 도구 또는 네이티브 옵션 UI가 없는 경우: 동일한 결정 필드 세트를 유지하고 Markdown 번호 목록 또는 한 줄의 자유 텍스트 질문을 사용하십시오. 사용자가 decision_log.json을 수동으로 편집하도록 요구하거나 도구가 없기 때문에 결과를 위조하지 마십시오.
두 가지 상호작용 모드
interaction_mode는 fast / standard / championship과 직교합니다. 전자는 사용자에게 질문을 중단할지 여부를 결정하고, 후자는 분석 깊이를 결정합니다.
| interaction_mode | 트리거 | 동작 |
|---|---|---|
autopilot | 사용자가 문제 텍스트/PDF/이미지/첨부 파일을 제공하고 해결 또는 납품을 요청함 | Stage 0부터 검증 가능한 납품 패키지까지 연속 실행; 일반 결정은 자동으로 권장 항목을 채택하고 기록; 하드 블로킹 질문만 함 |
guided | 사용자가 "모델링 시작"이라고만 말하거나, 문제가 공개되지 않았거나, 단계별 협업을 명시적으로 요청함 | 주요 결정에 번호가 매겨진 질문 사용 |
Autopilot은 references/autopilot_delivery.md 및 references/deliverable_contract.md를 반드시 읽어야 합니다. 문헌, 통계, 그림, 논문, 인용 또는 최종 검토가 필요한 경우 references/nature_capability_router.md에 따라 라우팅합니다. Nature skills를 절대 수정하지 마십시오.
Guided 질문-응답 프로토콜 (Friendly Mode)
핵심 원칙: Guided 사용자는 번호가 매겨진 질문에만 답하면 되며, bash / python / json을 직접 입력하도록 요구받지 않아야 합니다. Autopilot에서는 이러한 질문을 에이전트가 권장 항목을 채택하여 state에 기록하며, 멈추지 않습니다.
- Guided의 이산적 옵션 (경진대회 선택 / 문제 선택 / 모델 선택 / verdict 결정) → 반드시 질문-응답 형식 사용
- 자유 텍스트 (PDF 경로 / 마감 시간) → 한 줄 응답
- 상태 읽기/쓰기 (decision_log.json) → 에이전트가 자동 수행
- 각 stage의 주요 결정 지점에는 "제가 결정하겠습니다 (X 권장)" 포괄 옵션이 있으며, 사용자가 무조건 4번을 선택해도 진행 가능
Claude Code: AskUserQuestion 도구 사용; Codex: markdown 번호 목록 사용 (1-4 + 포괄). 둘은 의미적으로 동일합니다. references/harness_compat.md §1 참조.
경로 해석 프로토콜 (모든 단계에서 필독)
| 유형 | 위치 | 예 |
|---|---|---|
| 스킬 내 공통 | 스킬 루트 디렉토리의 상대 경로 | references/stage_05_subproblem_loop.md, templates/shared/decision_log.json |
| 경진대회 특화 | competitions/<comp>/... (decision_log.competition에 따라 디스패치) | competitions/cumcm/winning_patterns.md, competitions/mcm/abstract_template.md |
| LaTeX 템플릿 | templates/latex/<comp>/main.tex | templates/latex/cumcm/main.tex, templates/latex/mcm/main.tex |
| 사용자 결과물 | 사용자 cwd/ 상대 경로 | cwd/{state,analysis,src,results,figures,paper_workspace,paper_output,support_materials,qa,delivery}/ |
| state 영속화 | cwd/state/decision_log.json | 각 stage에서 필수 읽기/쓰기 |
| 환경 변수 | MATHMODEL_STATE_DIR (호환: CUMCM_STATE_DIR) / MATHMODEL_COMPETITION으로 재정의 가능 | 스크립트에서 이 변수 사용 |
규칙: <skill>/ = 스킬 설치 디렉토리, <cwd>/ = 사용자 cwd, <comp>/ = 현재 경진대회 (cumcm | mcm | diangong).
Quick Start
A. 사용자가 문제를 직접 제공 → 기본 원클릭 납품
1. source packet에 읽을 수 있는 문제와 필요한 첨부 파일이 포함되어 있는지 확인합니다.
2. references/autopilot_delivery.md, deliverable_contract.md, nature_capability_router.md를 읽습니다. CUMCM인 경우, 먼저 `competitions/cumcm/current_rules.md`를 검증한 후 `references/cumcm_2026_compliance.md`를 읽습니다.
3. scripts/bootstrap_run.py를 자동으로 실행하여 state를 초기화하거나 복원합니다. 기존 파일을 덮어쓰지 마십시오.
4. 문제/파일 이름에서 competition, year, letter, language를 추론합니다. 신뢰도가 낮고 템플릿에 영향을 미치는 경우에만 1개의 질문을 합니다.
5. competitions/<comp>/winning_patterns.md와 현재 stage 문서를 로드하고 Stage 0-9를 연속 실행합니다. CUMCM은 본문을 작성하기 전에 `scripts/plan_paper_budget.py`를 실행하여 본문/부록 카운트口径과 증거량에 따른 소문제 분량을 먼저 고정합니다.
6. 먼저 scripts/validate_delivery.py exit code 0을 핵심 기계적 게이트로 사용합니다. 과학적/시각적 blocking concern은 여전히 Stage 9에서 판단합니다.
7. 모든 경진대회는 마지막에 `scripts/package_delivery.py`를 실행하여 버전이 지정된 폴더를 출력합니다. CUMCM은 먼저 `AI 도구 사용 세부정보.pdf`를 생성해야 하며, 수동 확인 blocker가 있는 경우 후보 패키지와 `NOT_SUBMISSION_READY.md`를 유지합니다.
B. 사용자가 "모델링 시작"이라고만 말함 → Guided
1. 한 단락 소개 (≤50자): "수학적 모델링 워크플로우를 시작합니다. 10단계 + 3대 경진대회, Guided 번호 협업."
2. 한 번에 5가지 질문 (Claude Code: AskUserQuestion 단일 메시지; Codex: 5개 번호 목록):
- 경진대회 (cumcm 국제 / mcm 미국 / diangong 전자설계, 기본 cumcm)
- 문제 번호 (경진대회별: cumcm A-E / mcm A-F / diangong A-B; "미공개" 가능)
- 팀원 수 + 각자 전문 분야 (모델링/프로그래밍/글쓰기)
- 마감 시간 (ISO 문자열 또는 "지금부터 X시간 후")
- 문제 PDF 경로 ("미공개" 가능)
3. 자동 초기화 (에이전트가 `scripts/bootstrap_run.py --mode guided` 실행; 사용자가 json을 편집하도록 하지 마십시오):
- state 없음 → v4 템플릿에서 초기화
- 이미 있음 → `--resume`하고 current_stage를 읽어 재개 지점 결정
4. competitions/<comp>/winning_patterns.md를 한 번 로드 (기준선 설정), 이후 다시 읽지 않음
5. Stage 0 (references/stage_00_kickoff.md) 진입, 이미 질문한 내용을 반복하지 않음
기존 state 트리거 (사용자가 중간에 스킬로 돌아옴):
1. cwd/state/decision_log.json의 competition과 current_stage를 읽습니다.
2. 해당 stage_NN.md를 로드합니다 (필요에 따라 competitions/<comp>/* 내용 결합).
3. winning_patterns를 다시 읽지 않습니다.
3대 경진대회 × 3가지 모드 매트릭스
기간 / 언어 / 템플릿 / 데이터 상태는 competition에 의해 결정됩니다. token 예산 / 피드백 깊이는 mode에 의해 결정됩니다. 일시 중지 전략은 interaction_mode에 의해 결정됩니다. 세 가지는 직교 조합입니다.
| Competition | 기간 | 언어 | LaTeX | 소문제 수 IQR | 데이터 상태 |
|---|---|---|---|---|---|
| cumcm | 72h | 한국어 | xelatex / 독창적 ctexart | [3, 5] | 91개 출처 문서의 집계 통계, 59개 성공적 추출 |
| mcm | 96h | English | pdflatex / article | [3, 6] | 시드 v0.1 |
| diangong | 72h | 한국어 | xelatex / ctex | [6, 8] | 시드 v0.1 |
| Mode | Token | 피드백 계층 | 용도 |
|---|---|---|---|
| fast | ≤ 50k | L1 단일 + 최종 하드 게이트/압축 최종 검토 | 문제 선정 시험 운행; 납품 요청 시에도 재현/통계/PDF/최종 검토 게이트 유지 |
| standard | ≤ 200k | L1+L2+최종 L3 | 기본 메인 워크플로우 |
| championship | ≤ 500k | L1+L2+L3+L4 + red-team | 제출 전 최종 스퍼트 |
모드 자동 추천 (마감 시간까지 남은 시간 기준):
-
60h: standard (마지막 6h에 championship으로 업그레이드)
- 24-60h: standard
- 6-24h: fast의 핵심 단계 + championship 최종 검토
- < 6h: 바로 stage 9 진입 (championship)
10단계 인덱스
| # | 단계 | reference | 시간 | 피드백 | 경진대회 차이점 |
|---|---|---|---|---|---|
| 0 | source packet + 팀/환경 시작 | stage_00_kickoff.md | 1h | L1 | 기간 / 언어 / 컴파일러 / 문제 번호 체계 |
| 1 | 문제 선택 (다중 문제 비교 → 1) | stage_01_problem_selection.md | 2-4h | L1 | 문제 번호 체계 (A-E/A-F/A-B) + task_type 기록 |
| 2 | 문제 심층 분석 및 분해 | stage_02_analysis.md | 2-3h | L1 | 공통 |
| 3 | 모델 선정 (≥3 후보) | stage_03_model_selection.md | 2-4h | L1 + 반사실 | 공통 |
| 4 | Foundation (가정+기호+용어) | stage_04_foundation.md | 1h | L1 | 공통 |
| 5 | 재귀적 소문제 루프 Q1..Qn + 실제 실행 + per-Qi 집계 | stage_05_subproblem_loop.md | 6-12h × n | L1 + 하위 체크포인트 | 소문제 수 차이; 재현성 및 데이터 유출 검사 |
| 6 | 통계 검증 + 전역 민감도 / 강건성 | stage_06_robustness.md | 2-3h | L1 + L2 | 엔지니어링 파라미터 vs 수학 파라미터; 구간 및 실패 경계 |
| 7 | 모델 평가 + 일반화 | stage_07_evaluation.md | 1-2h | L1 | 공통 |
| 8 | 증거 기반 논문 작성 + 인용 검증 | stage_08_writing.md | 12-30h | L1 | 적응형 페이지 예산 + 요약/LaTeX + 용어/수치 일관성; CUMCM 2026 AI 선언/부록 |
| 9 | 상호 블라인드 최종 검토 + PDF 시각 QA + 납품 패키징 | stage_09_review.md | 2-6h | L1 + L3 | 3개의 상호 블라인드 보고서 + 합성 + manifest + 버전이 지정된 납품 폴더 |
로딩 프로토콜 (token 절약의 핵심)
단계 N에 진입할 때만 references/stage_NN_*.md를 로드하십시오. 절대 한 번에 모두 읽지 마십시오.
- Autopilot 시작: 추가로
references/autopilot_delivery.md와references/deliverable_contract.md로드 - competition이
cumcm인 경우: Stage 0, 8, 9에서 먼저competitions/cumcm/current_rules.md를 검증한 후references/cumcm_2026_compliance.md로드; 현재 대회 연도의 새 공지를 우선 처리하고 재정의 관계 기록 - Nature 능력 필요:
references/nature_capability_router.md로드 후, 라우팅된 skill의 전체SKILL.md와 이번에 필요한 fragments만 읽음
각 단계별 추가 로드 (필요에 따라 + competition에 따라 전환):
- 각 단계 시작:
cwd/state/decision_log.json필수 읽기 - 각 단계 종료:
cwd/state/decision_log.json필수 쓰기 (핵심 결정 + 5차원 점수) - stage 1-9:
references/rubrics.md해당 장 (L1 점수용) - stage 1:
competitions/<comp>/topic_specs.json(문제 번호 → task_type 매핑) - stage 3, 5:
references/model_catalog.md(경진대회 간 공통) - stage 5: per-Qi 점수 실행 후
scripts/score_artifact.py --mode aggregate_qi호출하여 집계 - stage 5-6: 통계/차트 라우팅 +
qa/reproducibility.json,qa/statistics_audit.md - stage 8:
competitions/<comp>/{winning_patterns, phrase_bank, abstract_template, paper_skeleton}.md+ 쓰기/다듬기/인용 라우팅; CUMCM은analysis/page_budget.json,analysis/novelty_ledger.json, 알고리즘 일관성 감사, AI 선언 및 핵심 이벤트 수준 세부 정보 PDF 생성 - stage 8 하드 임계값 점수:
competitions/<comp>/empirical.json에 evidence 주입 (cumcm 실제 값; mcm/diangong 시드는 자동으로 [seed: ...] 표시와 함께 제공) - stage 9:
competitions/<comp>/anti_patterns.md+rubric_overlay.json+feedback_layer3_panel.md+ PDF/납품 계약; CUMCM은 마지막에 버전이 지정된 납품 패키징 실행 - stage 9 기존 논문 개정:
references/manuscript_revision_contract.md를 우선 실행; 공개 스킬은 사용자 원고, 점수 또는 과거 반복 사례를 내장하지 않음. - stage 9 수치 및 추론 검사: 주요 결과를 다른 구현 또는 관측 가능한 양으로 교차 검증하고, 차이점은 먼저 가정, 단위, 분산, 전처리 및 최적화를 조사해야 합니다. 대체 알고리즘을 직접 참값으로 간주하지 마십시오. 일반 F-검정은 중첩 및 오차 분포 조건을 충족해야 합니다. AIC는 중첩을 요구하지 않지만, 동일한 데이터에 대한 비교 가능한 우도와 올바른 매개변수 수를 요구합니다. 상관된 스펙트럼 데이터는 상관 오차 모델 또는 적절한 블록 검증이 필요하며, 모든 데이터 종속 단계는 훈련 폴드 내에서 완료되어야 합니다. ill-conditioned 기저 함수는 스케일, 조건 수 및 환경 민감도를 검사해야 하며, 버전 차이만으로 근본 원인을 단정할 수 없습니다.
p5/p95는 중앙 90% 구간입니다. 사전 전파, 시나리오 범위 및 샘플링 신뢰 구간은 별도로 명명해야 합니다. - 피드백 트리거 시: 해당
references/feedback_layer*.md - harness 적응 차이 (교차 Agent 사용자 필독):
references/harness_compat.md
수렴 기준 (통일 정의, 세 곳 일치)
verdict 우선 순위 (높은 순에서 낮은 순):
| verdict | 트리거 | 동작 |
|---|---|---|
block | issues에 ≥1 high-severity 포함 | Guided: 중단; Autopilot: 먼저 최소 수정, hard blocker에만 사용자에게 질문 |
pass_early | raw_min ≥ 9 AND weighted_mean ≥ 9 | iter-1 조기 종료 |
pass | raw_min ≥ 7 AND weighted_mean ≥ 8 | 다음 단계로 진행 |
pass_with_review (stage 5) | 임의 Qi mark_for_review but 가중 임계값 충족 | stage 6 진입, L2는 review_qis 필수 읽기 |
refine | 기타 | section-patch 정밀 수정, iter+=1 (최대 3) |
refine_partial (stage 5) | 임의 Qi.min < 7, 다른 Qi는 이미 pass | 해당 Qi만 수정, 다른 Qi는 건드리지 않음 |
carryover | iter == 3에도 refine | 다음 단계로 진행, L2에서 처리하도록 표시 |
weighted_mean = Σ(s_i × w_i) / Σ(w_i), 가중치는 config/dim_weights.json[<comp>][<task_type>]에서 가져옴 (clamp [0.7, 1.5]); task_type=default는 모두 1.0으로 이전 로직과 동일.
이 정의는 feedback_layer1_critic.md / rubrics.md / scripts/score_artifact.py 세 곳에서 완전히 일치해야 합니다.
상태 영속화
각 단계:
- 시작:
Read cwd/state/decision_log.json, current_stage와 컨텍스트 확인 - 종료: stage 노드 업데이트 (핵심 결정 + 기각된 솔루션 + 점수),
current_stage += 1
decision_log.json v4.1 스키마 핵심 필드 (templates/shared/decision_log.json과 정렬):
- root:
competition,task_type,mode,current_stage,budget,events - execution:
interaction_mode,status,source_packet,nature_router,checkpoints,blockers - stage_5 확장:
qi_count,qi_weights,qi_status - scores 확장:
weighted_mean,review_qis,refine_qis포함 (stage 5 가중 집계용) - evidence / artifacts / qa: 요약, locator, 결과물 경로 및 검증 상태만 저장
- compliance.cumcm: 2026 규칙 세트, AI 사용 및 수동 확인, 요약/공식 본문/부록 별도 카운트, 여백/익명 검토, 최종 납품 패키지 경로; 수동 확인 필드는 agent가 자체적으로 true로 설정할 수 없음
- stage 8:
page_budget은 계획 및 실제 페이지 수, 동적 소문제 가중치 및 예외 설명 저장;novelty_ledger는 혁신 유형 및 증거 저장;qa/algorithm_claim_consistency.json은 blocking이 0이어야 제출 가능
L2 단계 간 회귀 검사 (stage 5/6/8 종료 시) 이 파일을 읽어 충돌을 능동적으로 찾고 지정된 롤백을 트리거합니다. 전체 단계를 다시 실행하지 않고 충돌 지점만 대상으로 합니다.
Token 예산 규율
- L1 Critic은 JSON 출력을 강제하며, ~500 token/회
- 정밀 수정 전략: section-level patch (
scripts/extract_diff.py), 전체 artifact 재전송 안 함 (약 60% token 절약) - references/ 및 competitions/ 파일은 지연 로딩, 이 SKILL.md 본문은 ≤ 6k tokens
- 단계 완료 후, artifact 요약 + 핵심 데이터 + 경로를 decision_log에 기록하고, 컨텍스트에 전문을 유지하지 않음
- 예산 초과 30% → 자동 다운그레이드 (championship → standard, standard → fast)
사용자 명령 바로 가기
- "stage N 진입" / "stage N 재실행" → 점프
- "mcm으로 전환" / "cumcm으로 전환" / "diangong으로 전환" → decision_log.competition 변경 (기존 state 호환성 주의)
- "championship으로 업그레이드" → L3 + L4 + red-team 활성화
- "fast로 전환" → 반복 비활성화
- "stage M으로 롤백" → decision_log 읽기, current_stage를 롤백하고 ≥M 노드 정리
- "L2 회귀 검사 실행" → 즉시 cross-stage backtrack 트리거
- "진행 상황 보기" → decision_log 요약 + 현재 점수 출력
데이터 출처 선언
competitions/cumcm/: 2023–2025년 91개 출처 문서의 집계 측정값, 그중 59개가 성공적으로 텍스트 추출되어empirical.json에 포함됨; 통계 필드와 독립적으로 작성된 일반 규칙만 게시하고, PDF, 추출된 텍스트 또는 사용자의 페이지별 사례는 게시하지 않음. 이러한 관찰은 경험적 사전 지식이며 공식 규칙이 아님competitions/mcm/: SEED v0.1, COMAP 공개 scoring rubric + Outstanding Winner 공개 패턴에 기반하여 수동 작성; empirical은 자리 표시자competitions/diangong/: SEED v0.1, 역대 문제 수 + 공개 심사 기준을 기반으로 추정; empirical은 자리 표시자- 일반 모델 목록
references/model_catalog.md는 경진대회 간 재사용
향후 명시적으로 처리가 허용된 새로운 출처 문서 (예: 공개 라이선스 또는 자료 소유자의 서면 승인)를 획득한 경우, scripts/ingest_papers.py --competition <comp>를 사용하여 repo 외부에서 seed를 다시烘焙하여 덮어쓸 수 있음; 원본 문서 또는 추출된 텍스트를 공개 repo로 가져오지 마십시오.
외부 리소스 및 선택적 skills와의 관계
핵심 모델링 및 납품 계약은 자체 포함됩니다. 인터넷 검색 및 별도로 설치된 외부 skills는 필요에 따라 강화하는 기능이며, 사용할 수 없을 때는 다운그레이드하고 기록해야 합니다. 외부 기능 부족으로 인해 인용 또는 결과를 위조하지 마십시오. CUMCM은 먼저 공식 기준선을 검증한 후 cumcm_2026_compliance.md에 명시적으로 표시된 유지 관리자 전략을 실행하고 package_delivery.py를 사용하여 하나의 폴더를 생성합니다.
사용 가능한 nature-* skills는 references/nature_capability_router.md를 통해 읽기 전용으로 라우팅됩니다. 해당 소스 코드, 문서 및 자산을 복사, 수정 또는 재배포하지 마십시오. 이들은 이 프로젝트의 의존성이 아니며 공식적인 연관성을 나타내지 않습니다. 메인 체인은 선택적으로 academic-search, statistics, figure, writing, polishing, ref-verifier, reviewer를 사용할 수 있습니다. reader, paper-card, downloader, citation, data, paper2ppt는 조건부로 트리거됩니다. 다음 리소스도 수동 보충으로 사용할 수 있습니다:
- 국제 경진대회:
personqianduixue/Math_Model,datawhalechina/intro-mathmodel,dxs.moe.gov.cn우수 논문 갤러리 - 미국 경진대회: COMAP 공식 웹사이트
comap.com,MCM Tutorial(Frank Giordano) - 전자설계 경진대회: 중국 전기 공학회 논문집