2026年7月4日
数学建模：AI 大练兵与抽奖
一篇写给数学建模新手的 AI 工作流笔记：从电脑基础、项目结构到 Claude Code、DeepSeek 和建模 Skill。
光电24级 任作霖
我对于 AI 的感想后续可能有更新，欢迎大家访问我自己的服务器网站：ZL Ren’s Blog
文章一共两个部分，前3点是我写的感想与思考，后面GPT写的教程，内容很基础，面向没怎么接触过电脑的同学们，篇幅限制难免会有疏漏。如果你觉得你有更好的想法或者问题，也欢迎私聊我。要是认为你做的更好也可以写一下相关的教程分享出来。
在此特别感谢我的数学建模队友 电信24级林感 光电24级李威卓，每次数学建模就是我们一起学习AI使用的过程。
笔者前言
我在网上看到有关AI的话题时，经常会看到一句话：学得越慢，学得越快。同学们可能一开始不太理解这句话是什么意思，我先举个例子。
我读高二那年，也就是2022年，ChatGPT因为帮一位国外的文科大学生完成毕业论文而引起关注。后来教授发现这篇论文写得太好，和这位学生平时的水平严重不符，于是在调查原因时发现了GPT，并向大众提出了疑问。在我心目中，从这个问题登上知乎热榜第一的那一刻起，人类的AI时代就已经开启了。
之后AI的发展速度远超很多人的想象。2022年的AI主要还只是能写一些文稿；到了2024年，AI已经可以比较准确地读取图片里的全部内容；到了2026年，无论是高数题，还是类似模电这种包含复杂电路图的题目，最新一代AI模型基本都已经能处理得相当不错。当然，这里有一个前提：你用的是国外最新发布的顶级模型，在思考和视觉方面，国内的模型大概落后1年的水平，不过在视频生成方面国内模型一直全球第一。
我写这篇文章的时间是2026年7月3日。在这个时间点，OpenAI已经发布了GPT5.6，另外，此前遭美国政府禁用A\的Fable5也重新发布。这两个模型的能力都非常强，很多任务基本可以做到“一遍过”。但问题也很现实：它们非常贵，而且大多数同学其实很难直接接触到。
这篇文章选择DeepSeek，一方面是因为我想推荐一下国产模型，也是因为市面上ds的生态还不错，教程非常多，大家如果看不懂我这个，也可以去B站搜或者网上找。国产模型现在真的已经非常不错了。在中国整体算力不如国外御三家（OpenAI、google、A\）任意一家的情况下，还面临美国芯片制裁和后发劣势，国产AI仍然能发展到今天这种百花齐放的状态，我实实在在为中国感到骄傲。除了DeepSeek V4 pro，在我写这篇文章的时候，另一个国产模型GLM5.2也同样值得推荐（最新的排名榜单可以去 Agent Arena | AI Agent Performance Leaderboard看看，这个里面介绍了每个模型的特长)。
另一方面，从现实使用角度来说，现在大家如果想接触国外模型，基本只有两个渠道。第一个渠道是自己订阅国外AI的月费会员，同时准备一个稳定的节点和国外手机号（每个月还没用上AI就要花30多）。如果你像我一样愿意折腾，当然可以自己去寻找相关信息。第二个渠道是使用中转站。但中转站可能涉及潜在的信息泄露问题，也可能存在“给模型掺水”的情况，还有敏感的黑灰产问题；另外我也不想在这里给任何平台打广告。所以，如果大家确实有使用国外AI的需求，可以自行了解和判断，然后如果要使用，我的建议是gpt5.5-high+codex-desktop或者opus4.6+claude code，这2个组合还是很好用的。
本文之所以选择claude code，绝对不是我对于A\这个“冷战思维”公司有什么好感，只是codex是要用gpt才好用或者说才能用，而且其他模型公司对于这个claude code这个框架适配性更好，我也推荐大家在掌握vibe coding基础上后去使用codex（这个使用方式比较敏感，自己寻找使用方式，如果你不找就说明你没有这个需求罢了，网上教程很多）。
总之，这篇指南不会一上来就推荐大家去追最贵、最新、最难接触的模型。我的目标是首先教大家AI相关的电脑知识，因为你不可能指望一个连电脑都不会用的人拿很好的奖项。然后用相对现实、相对容易获得的工具，帮助大家理解如何把AI真正用到数学建模中，而不是只停留在网页聊天和复制粘贴的层面，掌握基本的技能后，无论AI发展多快，我们都能有自己的方式去驾驭，站在巨人的肩膀上，我们慢慢掌握的技能，在AI性能提升下能获得快的提升，
教程与资料
AI学习与环境配置
学习AI的最好方法就是让AI教你怎么用它，下面是我精选的一些环境搭建教程，我本人是看 菜鸟教程 学习的，我建议各位也可以好好利用里面的教程。
Claude Code 安装 + Skill 配置指南（简要版）：
Claude Code 系统学习指南（最好这个教程的每个文章大概看过一遍，不可能你一点不了解就去使用）：
至于后面文章提到的skill安装可以让AI帮你安装，你可以直接复制github仓库地址让他给你装好。环境配置好了之后理论上全部问题都可以问AI。权限如果你看不懂的话默认无需审核，也永远不要忘了每次对话后记得配置git结构（可以理解成存档点，不知道这个是什么就问AI），方便回滚版本。
Codex 系统学习指南：
附：claude code推荐使用cc-switch管理api-key，codex如果使用中转站推荐使用codex++管理api-key，永远不要让本地AGENT扫盘或者帮你请垃圾文件，否则可能造成不必要的损失，数据无价！
AI大模型的核心原理科普：
https://mp.weixin.qq.com/s/3Pcs0W-kaf2Pt73kobi5hw
文章提到的数学建模skill的github仓库链接：
https://github.com/zhnnky329/MathModeling-skills
要是你对AI或者技术感兴趣，也可以看看一些论坛，比如LinuxDO，v2ex，小红书，知乎等等（虽然跟我们专业关系不大就是😀），还有一些微信公众号，比如 鱼皮程序员，逛逛github 等等，我个人希望数模的AI使用能够惠及大创做项目的代码部分，主要让大家了解做项目的范式，这个也是我标题写AI大练兵的原因。
数学建模
我之前咸鱼买的清风数学网课：
【超级会员V1】通过百度网盘分享的文件：清风！
链接:https://pan.baidu.com/s/1DWlJkyM2e1Y9X6BZ15J-NQ?pwd=as89
复制这段内容打开「百度网盘APP 即可获取」公众号 有 数学建模老哥。
这些资料都是在AI时代之前的数学建模资料，讲的是各种数据处理的基本算法，还有matlab（学校为我们买了正版matlab👍，直接去mathworks用学校邮箱注册账号然后下载正版就行，尽量下载b版，去年或今年的都行），stata，SPSS的使用教程。学习这些基本算法，就跟你学微积分一样，有了微积分的基础，才能学习其他理工科内容，但是你要是基础数据处理算法都不知道，那确实只能纯让AI定方案了，自己没准备也别指望拿很好的奖（当然也有可能，毕竟数模在AI时代本来就有点纯抽奖），也别指望使用相同的AI，给你的回复会比那些懂建模的，会写专业AI提示词的回复更好（笑
另外，AI不懂创新，但是懂严谨（举个例子，我自己打美赛，AI修饰文章滴水不漏并声称O奖潜质，最终喜提S奖）。剑走偏锋的创新建模观点说不定会拿更好的奖，但是要是你基本算法都不明白，你自己是不是剑走偏锋，你自己也不知道，对吗？
写在前面：这不是“让AI替你建模”
很多同学第一次接触AI建模，最熟悉的方式就是打开网页或者用手机app（豆包，deepseek等），把赛题或者问题复制进去，然后等AI回答。这当然有用，而且非常方便。但是如果真的参加数学建模比赛，只靠这种“问一句、答一句”的网页AI，很快就会遇到瓶颈。
因为数学建模不是一道普通问答题。它不是问AI一句“这个题怎么做”，然后AI给一个答案就结束了。真正的数学建模是一个连续流程：读题、拆题、整理数据、建立假设、选择模型、写代码、跑结果、画图、分析误差、写论文、改格式、检查逻辑。中间还会不断返工，比如结果不对、代码报错、图片不好看、论文说不清楚。
所以这篇指南想讲的不是“怎么和AI聊天”，而是“怎么让AI真正进入你的建模工作流”。
这里我们会用到两个东西：
第一个是Claude Code（后面简称为cc）。你可以把它理解成一个能在你电脑项目文件夹里干活的AI助手。它不只是回答问题，还可以读文件、改代码、运行程序、看报错、整理结果。Claude Code官方文档也把它定义为一种agentic coding tool，可以读取代码库、编辑文件、运行命令，并和开发工具配合使用，你可以把他理解为一个模型与你交互的平台，跟APP差不多，有了这个你就能跟这个ai对话，让AI操作你的电脑，我们可以借用这个壳子，调用不同的模型，包括A\自家的fable，opus，sonnet，还有国产的deepseek，glm等（注：cc极其不推荐使用gpt）。
第二个是DSV4Pro，也就是DeepSeek-V4-Pro。这里我们主要把它当作ClaudeCode背后的模型大脑。DeepSeek官方API文档目前写明，DeepSeekAPI兼容OpenAI/Anthropic格式，模型名包括deepseek-v4-pro和deepseek-v4-flash，怎么配置见上面的链接。
不过先说清楚：AI再强，也不是最终负责人。数学建模里最重要的判断，比如问题怎么抽象、模型假设是否合理、结果是否可信、论文逻辑是否站得住，仍然要由人负责。AI可以当队友，可以当工具人，可以当代码助理，可以当论文助理，但不能当甩锅对象，我们是站在巨人肩膀，不要以为你就这么高，没打好基础都是空中楼阁，甚至到最后提示词都不会写。我严厉一点说，自己一行代码不写，从头到尾用ai，就别把ai生成的当作自己的知识产权！！！
后面的内容由我写提示词，gpt5.5生成，配合菜鸟教程的指南一起看更佳。
1.先别急着学命令，先把电脑理解成一个厨房
我个人比较喜欢一个比喻：
网页AI像你去别人餐馆吃饭。
你坐在餐桌前，看看菜单，点一道菜，服务员把菜端上来。这个方式很方便，门槛很低，适合快速问问题、查概念、改句子、要灵感。但是它也有很多限制：菜单不是你定的，厨房你进不去，锅具你不能换，食材也不是你的。你想让它用你电脑里的某个Excel、某段Python代码、某张结果图，它其实并不能直接碰到，只能靠你复制粘贴。
本地Agent像你请厨师来你家做饭。
厨师到了你家之后，可以看到你的食材、你的锅、你的厨房、你的冰箱。你可以说：“这几个菜是现有数据，这口锅是Python，这个盘子是论文，这几张图是结果，你帮我把这一桌饭做出来。”这时候AI就不只是回答问题，而是能围绕你的真实项目持续干活。
对应到数学建模里：
你的电脑（准确说是命令行窗口）=厨房。
项目文件夹=操作台。
赛题PDF、数据表、论文要求=食材。
Python、Excel、VSCode=厨具。
Claude Code=上门厨师。
DSV4Pro=厨师的大脑。
Skill=提前写好的菜谱。如果你把所有东西乱扔在桌面上，赛题PDF在下载文件夹，数据在微信文件夹，代码在桌面，论文在另一个盘，图片又不知道保存到了哪里，那么再厉害的AI也会很痛苦。就像厨师进你家以后发现菜在客厅，锅在卧室，盐在阳台，天然气还没开，那它当然做不好饭。
所以，使用ClaudeCode之前，最重要的不是马上背命令，而是先养成一个基本习惯：
每个建模项目都应该有一个干净、独立、结构清楚的项目文件夹。
注：下面2-23节由我写提示词，gpt生成。
2.新手最需要懂的几个电脑概念
这一章不是要把大家教成程序员，也不是要系统讲Windows使用教程。我们只讲几个以后一定会遇到的概念。你不需要马上精通它们，但至少要知道它们大概是什么。否则后面看到“打开终端”“进入项目目录”“用管理员身份运行”“编辑Markdown文件”这种话，很容易直接卡住。
2.1文件夹：项目的家
数学建模一开始，建议先新建一个总文件夹，比如：
MathModeling_Project/不要把所有东西堆在桌面上，也不要一边下载一边乱改。一个项目就放在一个文件夹里，这样你自己找东西方便，AI找东西也方便。
推荐结构如下：
MathModeling_Project/
├─problem/ 放赛题PDF、题目附件、比赛通知
├─data/ 放原始数据和处理后的数据
├─code/ 放Python代码
├─figures/ 放生成的图片
├─paper/ 放论文草稿、最终论文
├─notes/ 放读题笔记、建模思路、分工记录
└─README.md 写项目说明和当前进度刚开始不用追求特别专业，但至少做到一件事：数据、代码、图片、论文不要混在一起。
如果所有东西都乱放，就像厨房里食材、锅、碗、调料全堆在地上。你自己找东西会崩溃，ClaudeCode也很容易找错文件、改错代码、生成一堆乱七八糟的结果。
2.2路径：电脑找文件的地址
人找文件可能靠感觉：“我记得好像在桌面左上角。”但电脑找文件靠路径。
比如：
C:\Users\ren\Desktop\MathModeling_Project\data\data.xlsx这就是一个路径。它的意思是：电脑从C盘开始，一层一层进入文件夹，最后找到data.xlsx这个文件。
以后你让ClaudeCode处理数据时，它也需要知道文件在哪里。如果你说“帮我分析那个表格”，但项目里有十几个表格，名字还都叫“新建MicrosoftExcel工作表.xlsx”，那它很容易搞错。
所以文件名尽量清楚，比如：
raw_population_data.xlsx
cleaned_population_data.xlsx
q1_prediction_result.csv文件名不需要很高级，但要让人和AI一眼看出它大概是什么。
2.3当前文件夹：AI现在站在哪张操作台前
使用ClaudeCode时，有一个很重要的概念叫“当前文件夹”。你可以理解为：现在AI站在哪个操作台前干活。
比如你以后可能会看到：
cd MathModeling_Project
claude这里的意思不是让你背命令，而是：
cd MathModeling_Project相当于走进MathModeling_Project这个厨房。
claude相当于把ClaudeCode这个厨师叫进来。
如果你在错误的文件夹里启动ClaudeCode，它看到的就不是你的建模项目。就像你把厨师叫到别人家厨房，它当然找不到你的食材。
所以以后用ClaudeCode时，一定要养成一个习惯：先确认自己是不是在正确的项目文件夹里。
2.4命令行：用文字操作电脑的地方
平时我们用电脑，大多数时候是用鼠标点：双击打开文件，点按钮运行程序，拖动文件复制粘贴。
命令行则是另一种操作电脑的方式：用文字让电脑做事。
比如：
python code/q1_model.py这句话的意思是：让Python运行code文件夹里的q1_model.py。
新手一开始看到命令行，可能会觉得它像黑客界面，其实没那么神秘。它只是把“点按钮”换成了“输入一句命令”。
ClaudeCode为什么离不开命令行？因为它要在你的电脑里干活，就需要能运行代码、查看文件、创建文件、读取报错。这些事情很多都发生在命令行里。
所以，命令行可以理解为：ClaudeCode进入你电脑厨房的门口，也是它和电脑沟通的地方。
2.5cmd和PowerShell：Windows里的两种命令窗口
在Windows电脑里，大家可能会看到两个常见名字：
cmd
PowerShell它们都属于命令行工具，都可以输入命令让电脑做事。
cmd比较老，可以理解为Windows早期常用的命令窗口。
PowerShell更现代，功能更强，现在很多教程会默认使用PowerShell。
对于新手来说，暂时不需要纠结它们底层有什么区别。你只需要知道：
cmd和PowerShell都是命令窗口。
很多命令两者都能用，但有些命令写法可能不一样。
如果教程明确写PowerShell，那就打开PowerShell；如果教程写cmd，那就打开cmd。
在这篇指南里，我们默认使用PowerShell，因为Windows现在更推荐它，而且很多AI工具、开发工具教程也会用它。
2.6管理员身份：拥有更高权限的运行方式
有时候安装软件、修改环境变量、配置系统工具时，教程会说：
请用管理员身份运行PowerShell这是什么意思？
普通打开软件，就像你是这个厨房的普通使用者，可以切菜、洗碗、做饭。
管理员身份运行，就像你拿到了房主权限，不仅能做饭，还能改水电、换灶台、装新设备。
所以管理员身份权限更高，但也更危险。你不应该随便用管理员身份运行来路不明的命令。
简单记住：
安装软件、修改系统配置时，可能需要管理员身份。
普通写代码、运行Python、使用ClaudeCode，一般不需要管理员身份。
看到网上教程让你用管理员身份运行时，要确认来源可靠，不要乱复制陌生命令。
如果不知道需不需要管理员身份，优先普通运行。只有明确报权限错误，或者官方教程要求时，再考虑管理员身份。
2.7Markdown：写给人看，也方便AI读的文本格式
Markdown是一种很轻量的文本格式。它本质上还是普通文字，但可以用一些简单符号表示标题、列表、代码块、加粗等结构，本文就是基于md编辑器typora然后转pdf生成。
比如：
# 一级标题
## 二级标题
- 第一条
- 第二条
- 第三条
**这里是加粗内容**
```python
print("Hello World")
数学建模里，Markdown特别适合用来写：
```text
README.md
notes/problem_reading.md
notes/data_report.md
notes/model_plan.md
paper/draft.md为什么推荐Markdown？
因为它比Word轻便，比纯txt有结构，而且AI很容易读懂，并且市面上AI输出的文字你复制下来会发现就是md格式。你可以把读题笔记、建模方案、实验记录都写成Markdown文件。ClaudeCode读取这些文件时，也能很清楚地理解标题、列表、代码和说明。
可以简单理解为：
Word适合最终排版。
Markdown适合过程记录。
数学建模过程中，不要一上来就把所有东西都写进Word。前期的思路、实验记录、模型方案，用Markdown会更清楚，也更适合和ClaudeCode配合。
2.8README.md：给人和AI看的项目说明书
在项目根目录里，建议放一个README.md文件。
它就像贴在厨房门口的一张说明：
这个项目是什么？
现在做到哪一步？
每个文件夹放什么？
目前采用什么模型？
下一步要做什么？
比如可以这样写：
# MathModeling_Project
## 项目说明
这是一次数学建模训练项目，目标是完成赛题中的三个问题。
## 文件夹说明
- problem/：赛题和附件
- data/：原始数据和处理后的数据
- code/：Python代码
- figures/：结果图
- paper/：论文草稿
- notes/：读题笔记和实验记录
## 当前进度
- 已完成赛题阅读
- 已完成数据初步检查
- 正在设计问题1的模型
## 注意事项
- 不要修改原始数据
- 处理后的数据放到data/processed/
- 每次实验结果要记录到notes/这样做的好处是，你自己过几天回来还能看懂项目进度，ClaudeCode也可以先读README.md来快速理解当前项目。
2.9一句话总结
这一章的重点不是让大家背概念，而是建立一个最基础的电脑工作意识：
文件夹是项目的家。
路径是文件的地址。
当前文件夹决定AI在哪里干活。
命令行是用文字操作电脑的地方。
cmd和PowerShell都是Windows里的命令窗口。
管理员身份代表更高权限，不要乱用。
Markdown适合记录建模过程。
README.md是项目说明书。
理解这些之后，再去用ClaudeCode，就不会觉得它是在一个神秘黑框里乱跑。你会知道它在哪里、能看到什么、正在运行什么、结果应该保存到哪里。
这时候，AI才真正从“网页聊天对象”变成了“能在你项目里干活的队友”。
3.网页AI和本地Agent到底差在哪
如果只是问一个概念，比如“什么是层次分析法”“线性规划和整数规划有什么区别”，网页AI已经很好用了。
但数学建模真正麻烦的地方通常不是“知道一个方法”，而是“把方法落地”。
举个例子。
你问网页AI：
请帮我用随机森林预测销量。
它可以给你一段代码。但是这段代码不一定知道你的数据文件叫什么、列名是什么、有没有缺失值、训练集和测试集怎么分、结果图保存在哪里。
你问ClaudeCode：
请阅读
data/sales.xlsx，检查字段含义和缺失值，建立一个随机森林预测模型，把训练结果、误差指标和特征重要性图保存到figures/，并在notes/model_report.md里解释结果。
这时候ClaudeCode就更像在项目里干活。它可以先读文件，再写代码，再运行代码，再看报错，再修改代码，最后把结果保存到指定位置。
这就是网页AI和本地Agent的核心区别：
网页AI主要是聊天。
本地Agent主要是干活。
当然，干活也可能干错。所以人要检查它的代码、结果和论文逻辑，不能闭眼相信。
4.ClaudeCode是什么
ClaudeCode可以理解为一个能进入你项目文件夹的AI编程助手。它可以帮助你完成很多和建模有关的事情：
读赛题，提取目标、约束、变量、评价指标。
整理项目文件夹，建议数据、代码、论文怎么放。
阅读数据表，检查缺失值、异常值、字段含义。
写Python代码，比如数据清洗、拟合、预测、优化、可视化。
运行代码，根据报错继续修改。
生成图表，比如折线图、热力图、残差图、对比图。
整理实验结果，写成论文里的分析段落。
检查论文逻辑，比如前后符号是否统一、假设和模型是否对应。
它不是只能写代码。对数学建模来说，ClaudeCode真正有价值的地方是：它能围绕同一个项目文件夹持续工作。
你不用每次都把上下文重新复制给它。你可以让它读README.md，读notes/idea.md，读paper/draft.md，然后继续改。
官方文档里也提到，ClaudeCode支持通过CLAUDE.md记录项目说明、编码标准、架构决策和检查清单；也支持用Skill封装可重复工作流。
5.DSV4Pro在这里是什么角色
如果ClaudeCode是上门厨师，那么DSV4Pro就是厨师的大脑。
ClaudeCode负责进入项目、调用工具、读写文件、运行命令。
DSV4Pro负责理解问题、规划步骤、生成代码、解释结果、写文字。
也就是说：
ClaudeCode是工作环境。
DSV4Pro是模型能力。
你的项目文件夹是实际战场。
DeepSeek官方给出了ClaudeCode连接DeepSeek模型的环境变量配置方式。Windows用户可以通过设置ANTHROPIC_BASE_URL、ANTHROPIC_AUTH_TOKEN、ANTHROPIC_MODEL等变量，把ClaudeCode的后端指向DeepSeekAnthropicAPI；官方示例里使用了deepseek-v4-pro[1m]和deepseek-v4-flash等配置。
这里不建议大家死记网上某篇教程里的命令，因为模型名、价格、接口规则都有可能更新。真正要装的时候，以DeepSeek官方API文档和ClaudeCode官方文档为准。
你现在只需要理解一句话：
DSV4Pro不是另一个软件界面，而是ClaudeCode背后的模型大脑。
6.为什么我要推荐使用Skill完成数学建模
到这里，大家已经知道：
网页AI像去餐馆吃饭。
ClaudeCode像请厨师来你家做饭。
项目文件夹像厨房。
DSV4Pro像厨师的大脑。
那Skill是什么？
Skill就是一张固定菜谱。
数学建模比赛里，我们每次都会重复很多固定流程：
读题要提取什么？
建模前要检查什么？
代码结果要保存到哪里？
论文必须包含哪些部分？
每次跑实验后要记录什么？
哪些地方不能让AI瞎编？
如果这些要求每次都靠你手动提醒AI，很麻烦，而且容易漏。于是我们可以提前写一个数学建模Skill，让ClaudeCode每次处理建模任务时都按照这套流程走。
ClaudeCode官方文档对Skill的解释也类似：创建一个SKILL.md文件，把可重复的说明、清单、多步骤流程封装起来；Claude可以在相关场景自动使用它，也可以通过/skill-name直接调用。
我下面以github项目GitHub - zhnnky329/MathModeling-skills: 面向数学建模竞赛的 Claude Code / Codex Skills ，支持分阶段建模流程与 Python、MATLAB/北太天元代码分支。 · GitHub项目为例来介绍skill的使用。
它的作用不是“自动给出最终答案”，而是强制AI按照规范流程帮你建模。
7.新手不建议自己写Skill：先用现成的
前面我们说过，Skill可以理解成一张固定菜谱。它会告诉ClaudeCode：数学建模应该按什么流程走，哪些步骤不能跳，哪些东西必须检查，哪些内容不能瞎编。
但是这里要提醒大家一句：刚开始用ClaudeCode时，不建议新手自己从零开始写Skill。
原因很简单。你如果还没真正用ClaudeCode做过完整项目，就很难知道一个好Skill应该写什么。就像你刚开始学做饭，还没炒过几个菜，就让你写一本厨房管理规范，这肯定不现实。你可以写，但大概率会漏掉很多关键环节，比如代码审查、结果冻结、论文数字一致性、参考文献真实性、原始数据保护等等。
所以更合理的方式是：
先用现成的Skill。
先跟着成熟流程跑一遍。
等你真的知道哪里不顺手，再考虑自己改。
这里推荐一个现成项目作为例子：MathModeling-skills。这个项目是面向数学建模竞赛设计的一套ClaudeCode/CodexSkills。它不是让AI一键代写整场比赛，而是把AI放回“辅助”的位置，让使用者自己负责关键判断，比如选择什么方法、为什么选、结果是否可信。项目README里也明确说，这一版已经从“自动驾驶”改回“skills辅助”，主导仍然是使用者本人。
如果继续用厨房比喻来讲：
ClaudeCode是上门厨师。
DSV4Pro是厨师的大脑。
你的项目文件夹是厨房。
而MathModeling-skills不是一张简单菜谱，而是一整套后厨流程：先检查食材，再试做小样，再决定主菜，再正式烹饪，再检查摆盘，最后还有几个人分别检查有没有漏菜、错菜、菜品说明对不上。
这比我们自己随手写一个modeling-pipeline要完整得多。
8.MathModeling-skills解决的是什么问题
很多同学以为数学建模翻车，是因为“模型不够高级”。其实很多时候不是。
真正容易出问题的地方往往是：
题目问的是A，队伍理解成了B。
没有跑baseline，上来就用复杂模型，最后没人能解释为什么这么做。
论文里写了一个数字，但回头查代码，发现没有任何脚本输出过这个数。
截止前一晚修了bug，但论文里还保留着修bug之前的旧结果。
AI生成了看似很自然的结论，但其实没有数据支撑。
参考文献看起来很像真的，但实际查不到。
MathModeling-skills这个项目的设计思路，就是把这些容易“悄悄发生”的问题用流程卡住。项目README中也提到，数模翻车常见原因包括误读题目、不跑baseline、论文数字无法追溯、bug修复后论文仍保留旧数字等；它把这些视为流程问题，而不只是建模能力问题。
所以它的价值不是“让AI变得无敌”，而是：
让AI不容易乱来。
让队伍不容易跳步。
让论文里的数字和代码结果能对上。
让关键判断回到人手里。
这一点非常重要。数学建模比赛不是比谁最会让AI瞎跑，而是比谁能把问题理解清楚、把模型讲明白、把结果做扎实。
9.这套Skill的大致流程
MathModeling-skills不是一个单独的Skill，而是一组Skills。项目README中写到，它目前包含28个Skill，并按建模阶段组织。它的整体流程大致是：
读题与分类
↓
整理符号表和模型假设
↓
审计和清洗数据
↓
提出候选方法，并用真实数据跑小型PoC
↓
由人决定最终方法
↓
生成代码
↓
代码审查
↓
整理结果、稳健性分析、图表生成
↓
冻结论文数字
↓
撰写论文分节
↓
润色、文献管理、一致性检查、完整性检查、最终QA它里面有几个设计我个人觉得很适合数学建模。
第一个是workflow-orchestrator，也就是流程总管。它会跟踪每个子问题进行到哪一步，并检查当前阶段能不能进入下一阶段。项目README里也把它放在流程开头，用来确认环境并推进gate检查。
第二个是problem-parser和problem-classifier。这两个主要负责读题和分类，避免一上来就建模。对新手来说，这一步特别重要，因为很多题不是不会做，而是从第一步就读歪了。
第三个是data-auditor-cleaner。它会审计原始数据，并生成清洗后的副本。原始数据不要直接改，这个习惯非常重要。项目README里也强调原始数据data_raw/保持只读。
第四个是method-selector。它不会直接替你拍板选方法，而是给出候选方法，并要求每个候选方法都有不超过30行的PoC，在真实清洗数据上跑出具体结果。也就是说，不能只说“这个模型理论上很好”，还得先证明它在当前数据上真的能跑。
第五个是frozen_numbers.json。这个东西可以理解成论文数字的“冻结清单”。论文里出现的关键数字，应该能在这里找到来源。如果后面改了bug，数字变了，就要重新冻结，而不是在论文里手改。项目README明确说，论文中每个数字都须出现在frozen_numbers.json，且该文件不允许手工编辑。
第六个是最后的三个审计：consistency-auditor、completeness-auditor、quality-assurance-auditor。这相当于交卷前的三道检查。项目README中写到，三个独立审计必须全部通过，论文才能进入最终组装。
这套流程听起来可能比“让AI直接写论文”麻烦，但它更接近真正靠谱的数学建模工作流。
10.推荐安装方式：放进当前比赛项目里
对新手来说，我不建议一上来就全局安装。全局安装的意思是把这些Skill装到整个ClaudeCode环境里，以后所有项目都能用。这个方式当然方便，但对新手来说也更容易混乱。
我更推荐项目README里的方案A：把仓库克隆到当前比赛项目里使用。这样CLAUDE.md、.claude/settings.json等项目规则会跟着当前项目走，不容易影响其他项目。项目README也把“克隆到比赛项目里”列为推荐方案。
假设你现在有一个数学建模项目文件夹：
MathModeling_Project/建议你先在里面建立比赛资料的位置：
MathModeling_Project/
└─workspace/
├─problem/
└─data_raw/其中：
workspace/problem/放赛题PDF、题目说明、附件说明。
workspace/data_raw/放原始数据。
注意：原始数据不要改。后面AI如果要清洗数据，应该生成清洗后的副本，而不是直接修改原始文件。
然后在这个项目文件夹里打开PowerShell，执行：
git clone https://github.com/zhnnky329/MathModeling-skills.git .skills-tmp
Move-Item .skills-tmp\.claude .\.claude
Move-Item .skills-tmp\.codex .\.codex
Move-Item .skills-tmp\CLAUDE.md .\CLAUDE.md
Move-Item .skills-tmp\AGENTS.md .\AGENTS.md
Move-Item .skills-tmp\docs .\skills-docs
Remove-Item -Recurse -Force .skills-tmp这里简单解释一下：
第一行是把项目下载到.skills-tmp这个临时文件夹。
后面几行是把ClaudeCode和Codex需要用到的Skill、规则文件、说明文档移动到当前项目。
最后一行是删除临时文件夹。
如果你看到网上教程使用的是：
mv
rm -rf那一般是Linux/macOS或者GitBash风格的命令。在WindowsPowerShell里，更推荐使用上面这种Move-Item和Remove-Item写法。功能是一样的，只是命令写法更适合Windows新手。
11.安装完成后，项目大概长什么样
安装完成后，你的项目里不只是多了一个Skill文件，而是多了一整套规则和工作目录。项目README给出的workspace结构大致包括：
project/
├─planning/
├─methods/Qx/
├─code/
├─results/Qx/
├─robustness/Qx/
├─paper/
├─workspace/
│ ├─data_raw/
│ ├─data_clean/
│ └─archived/
└─scratch/这些文件夹看起来多，但它们各有作用。项目README里也说明了这些目录的含义，例如planning/用于题目解析、分类、符号表和假设，methods/Qx/用于候选方法和最终方法解释，results/Qx/用于实验结果和冻结数字，paper/用于论文分节、图表和审计文件。
对新手来说，一开始不用全部记住。你只要先知道几个最关键的：
workspace/problem/：放题目。
workspace/data_raw/：放原始数据。
workspace/data_clean/：放清洗后的数据。
planning/：放读题、分类、符号表、假设。
methods/：放候选模型和最终模型说明。
code/：放代码。
results/：放结果、报告、冻结数字。
paper/：放论文相关内容。
scratch/：临时探索区，这里面的东西不一定保证可复现。
如果继续用厨房比喻：
workspace/data_raw/就是没动过的原始食材。
workspace/data_clean/就是洗好切好的食材。
planning/是菜单和备菜计划。
methods/是几种做法的试菜记录。
code/是正式烹饪步骤。
results/是每道菜做出来后的记录。
paper/是最后给评委看的菜单说明和成品介绍。
scratch/是临时试验台，里面可以乱一点，但不能把里面的东西直接当最终结果。
12.第一次启动ClaudeCode时怎么说
安装好Skill之后，用ClaudeCode打开当前项目文件夹。
新对话的第一句话不要问：
这个题怎么做？这样太宽泛了，AI很容易直接开始给方案，甚至跳过读题和查数据。
更推荐按项目README给出的思路，先让它读规则，再调用流程总管。README中的中文开场示例是：
读一下 CLAUDE.md，然后调用 workflow-orchestrator。我们的题目在 workspace/problem/，按 gate 顺序走，不要跳步。这个开场很重要。它相当于告诉AI：
先读项目规则。
先启动流程总管。
题目在workspace/problem/。
按gate顺序走。
不要跳步。
也就是说，别让AI一进厨房就直接开火，先让它看菜谱、检查厨房、确认今天要做什么菜。
13.第一阶段：读题，不要急着建模
启动流程后，第一阶段应该是读题和分类。
这里对应的Skill包括：
problem-parser
problem-classifier
related-paper-analyzer
symbol-table-builder
model-assumptions-builder
data-auditor-cleaner这些Skill主要做前期准备：题目到底问什么，每个子问题属于哪一类，有哪些数据可用，符号怎么统一，哪些假设是必要的，哪些假设只是为了简化。项目README也把这些放在第1阶段“前期准备”中。
你可以这样对ClaudeCode说：
请先按workflow-orchestrator的流程推进第一阶段。先调用problem-parser和problem-classifier，整理题目背景、每个子问题的目标、输入输出、约束条件、评价指标和可能的题型。不要写代码，不要直接推荐最终模型。这一步的目标不是解决问题，而是确保大家理解的是同一个题目。
输出结果一般会落到planning/相关目录中。你们队伍应该认真看这部分，而不是直接跳过。尤其是：
每个问题到底要求输出什么。
有没有隐藏约束。
题目有没有指定评价标准。
每个附件对应哪个问题。
哪些地方需要自己做合理假设。
这一步做不好，后面代码写得再漂亮也没用。
14.第二阶段：查数据，让AI先看食材
读完题之后，下一步不要急着让AI写代码，而是先让它检查数据。
可以这样说：
请继续按workflow-orchestrator推进数据审计。调用data-auditor-cleaner检查workspace/data_raw/中的原始数据。请说明每个数据文件对应哪个子问题、字段含义、缺失值、异常值、单位、是否需要清洗，以及清洗后的数据应该保存到workspace/data_clean/。不要修改原始数据。这一步相当于让厨师先检查食材：
食材有哪些？
有没有坏的？
够不够做这几道菜？
哪些要清洗？
哪些不能用？
哪些字段可能被理解错？
数学建模里很多错误都来自数据阶段。比如把单位看错，把年份当编号，把类别变量当连续变量，把缺失值当0，把某个附件用到了错误的问题里。
所以数据审计不能跳过。
15.第三阶段：让AI提出候选方法，但由人拍板
很多新手最容易犯的错误是：AI推荐一个模型，大家觉得听起来高级，就直接用了。
这很危险。
MathModeling-skills里面比较好的设计是：它不会让AI直接替你决定最终方法。method-selector会为每个子问题提出2到4个候选方法，并且每个候选方法都要配一个不超过30行的PoC，在真实清洗数据上跑出一个具体结果。PoC跑不通的方法会被标记为[REJECTED]并归档。最终选哪个方法、为什么选，仍然要由使用者在GateG2.5里写明。
你可以这样说：
请进入方法验证阶段。对每个子问题调用method-selector，提出2到4个候选方法。每个候选方法都要包含：适用原因、所需数据、预期输出、风险、不超过30行的PoC，以及在真实清洗数据上跑出的初步结果。不要替我们直接拍板最终方法。这一步非常适合队伍讨论。
你们可以看AI给出的候选方法，然后自己判断：
哪个模型最容易解释？
哪个模型最容易跑通？
哪个模型对数据要求太高？
哪个模型适合放进论文？
哪个模型虽然高级，但可能不稳？
最后由人来写选择理由。
可以继续对ClaudeCode说：
我们选择Q1使用XXX方法，理由是：……请调用modeler-decision-logger记录这个决策。注意不要改写我们的理由，只做记录和格式整理。这里不要偷懒。方法选择理由最好由人自己写。
因为评委真正看的不是“你用了多高级的模型”，而是“你为什么这么建模”。
16.第四阶段：生成代码，但必须审查
确定方法后，才进入代码阶段。
这时可以说：
请进入Q1的代码实现阶段。先调用model-code-analyzer规划实验目录和run_summary.json字段，再使用python-model-code-generator生成Python代码。代码应读取workspace/data_clean/中的数据，输出保存到results/Q1/experiments/round1/。生成后请运行代码，并记录运行日志。如果你们使用MATLAB或者北太天元，也可以改成：
请进入Q1的代码实现阶段。目标语言使用MATLAB/北太天元。请调用matlab-model-code-generator生成兼容比赛环境的.m文件，避免使用LiveScript、AppDesigner等不一定支持的功能。项目README中也写到，这套Skill同时支持Python和MATLAB/北太天元代码分支；其中python-model-code-generator会生成.py，matlab-model-code-generator会生成.m，并避免比赛环境可能不支持的MATLAB功能。
代码生成之后，不要直接相信。继续让它审查：
请调用code-reviewer审查刚才生成的Q1代码。要求输出具体审查文件，至少列出5条检查项，并标注对应的file:line。重点检查数据读取、变量含义、约束方向、随机种子、结果保存路径。这一步对应厨房里的“试吃”和“检查火候”。不是做出来就完事，而是要看有没有夹生、有没有放错调料。
17.第五阶段：结果、稳健性和图表
代码跑通之后，不要急着把结果写进论文。
先让AI整理结果：
请调用result-report-generator整理Q1的实验结果。请比较不同方法或不同参数设置，标记[CHOSEN]、[BACKUP]、[REJECTED]，并说明每个结果的含义和风险。然后做稳健性分析：
请调用robustness-checker对Q1结果做稳健性分析。至少包括敏感性分析、误差分析、与baseline的对比。请把报告保存到robustness/Q1/q1_robustness_report.md。再规划图表：
请调用figure-table-planner规划Q1论文中需要使用的图和表。请区分诊断图、对比图、论文图和附录图。诊断图不要放进论文正文。最后生成论文图：
请调用math-figure-generator生成Q1论文图。要求图中文字不重叠、不超出画布，字号不能过小，生成后进行render_check。项目README中提到，figure-table-planner会把图分成诊断、对比、论文、附录四类，诊断图不会进入论文；math-figure-generator会用matplotlib出图，并检查文字重叠、超出画布、字号过小等问题。
这一步很重要。很多论文不是模型差，而是图表混乱。图看不懂、字太小、图例挡住曲线、论文里没有解释图，这些都会影响评审观感。
18.第六阶段：冻结结果，再写论文
在写论文之前，先冻结数字。
可以这样说：
请调用solution-package-builder整理Q1的论文材料包，并生成frozen_numbers.json。之后论文中出现的关键数字必须从frozen_numbers.json中引用，不要手工编写或临时改动。为什么要冻结数字？
因为数学建模最后经常出现这种情况：代码改了，结果变了，但是论文里的数字没改；或者论文手随手改了一个数，代码根本复现不出来。
frozen_numbers.json就是为了避免这种问题。它相当于成品菜的“称重记录”：论文里说这盘菜300克，就要能在记录里查到，不允许临时乱写。
冻结之后，再让AI辅助写论文：
请调用paper-section-writer，根据Q1的solution package和frozen_numbers.json起草Q1论文部分。注意：每个数值结果都要说明其意义，不能只报数字；不要夸大结论；需要人工判断的地方请标记为[需要人工填写]。然后再润色：
请调用paper-polisher检查Q1论文部分，重点检查措辞是否过度、公式符号是否一致、结论是否有数据支撑。如果涉及参考文献：
请调用reference-manager整理参考文献。要求核查引用真实性，不允许编造参考文献。项目README中也说明，reference-manager会生成BibTeX并核查引用真实性，虚构引用会被判为blocking。
这一点一定要重视。AI编参考文献非常常见，而且编得很像真的。凡是论文里出现的文献，都必须能查到真实来源。
19.第七阶段：最终审计，不要自己感觉“差不多了”
数学建模最后阶段，最危险的想法就是：
“应该差不多了吧。”
这时候应该让Skill进入审计层：
所有Qx章节起草完毕。请依次运行consistency-auditor、completeness-auditor、quality-assurance-auditor。重点检查论文数字是否全部来自frozen_numbers.json，图表是否被正文引用，符号是否一致，所有问题是否回答完整，是否存在AI编造内容。项目README中的常用后续指令也给了类似用法：所有Qx章节起草完毕后，依次跑consistency-auditor、completeness-auditor、quality-assurance-auditor。
这三个审计可以理解成：
consistency-auditor：查前后是否一致。数字、文件名、符号有没有对不上。
completeness-auditor：查东西是否齐全。该有的review、audit、报告有没有漏。
quality-assurance-auditor：查整体质量。流程有没有跳步，有没有编造，有没有明显不靠谱的结论。
最终审计特别适合发现这类问题：
论文里写“如图3所示”，但图3不存在。
表格里的数字和代码结果不一致。
前面定义x_i，后面写成X_i。
某个模型假设没有在后文使用。
某个结论没有数据支撑。
参考文献是AI编的。
摘要吹得太满。
某个小问没有真正回答。
这些问题不一定难，但非常容易扣分。
20.一套完整实战指令
下面给一套可以直接照着用的流程。注意，这里不再使用我们自己写的/modeling-pipeline，而是让现成项目里的workflow-orchestrator和各个Skill按阶段推进。
20.1开场
读一下CLAUDE.md，然后调用workflow-orchestrator。我们的题目在workspace/problem/，原始数据在workspace/data_raw/。请按gate顺序走，不要跳步。遇到需要人判断的地方，请先停下来问我们。20.2读题
请调用problem-parser和problem-classifier，整理题目背景、每个子问题的目标、输入输出、约束条件、评价指标、可能题型和需要进一步确认的信息。不要写代码，不要直接推荐最终模型。20.3整理符号和假设
请调用symbol-table-builder和model-assumptions-builder，建立全队统一的符号表，并区分必要假设和简化假设。请指出哪些假设需要我们人工确认。20.4检查数据
请调用data-auditor-cleaner检查workspace/data_raw/中的数据。请说明每个文件对应哪个子问题、字段含义、缺失值、异常值、单位和清洗建议。不要修改原始数据，清洗后的数据保存到workspace/data_clean/。20.5提出候选方法
请调用method-selector，为每个子问题提出2到4个候选方法。每个候选方法都要包含适用原因、所需数据、预期输出、风险、不超过30行的PoC，以及在真实清洗数据上跑出的初步结果。不要替我们直接决定最终方法。20.6记录人工决策
我们决定Q1采用XXX方法，理由是：……请调用modeler-decision-logger记录这个决策。注意不要替我们重写理由，只做格式整理和追踪记录。20.7生成代码
请调用model-code-analyzer规划Q1实验目录和run_summary.json字段，然后使用python-model-code-generator生成代码。代码读取workspace/data_clean/中的数据，结果保存到results/Q1/experiments/round1/。生成后请运行，并记录运行日志。20.8审查代码
请调用code-reviewer审查Q1代码。要求生成审查文件，至少列出5条具体检查项，并标注file:line。重点检查数据读取、变量含义、约束方向、随机种子、结果保存路径。20.9整理结果和稳健性分析
请调用result-report-generator整理Q1实验结果，并调用robustness-checker做敏感性分析、误差分析和baseline对比。请说明结果是否可信，以及是否需要迭代。20.10生成图表
请调用figure-table-planner规划Q1图表，再调用math-figure-generator生成论文图。请区分诊断图、对比图、论文图和附录图，诊断图不要进入论文正文。20.11冻结数字
请调用solution-package-builder生成Q1论文材料包和frozen_numbers.json。之后论文中出现的关键数字必须来自frozen_numbers.json，不允许手工编写或临时改动。20.12写论文分节
请调用paper-section-writer，根据Q1的solution package和frozen_numbers.json起草Q1论文部分。每个数值结果都要解释其意义，不要只报数字。需要人工判断的地方请标记为[需要人工填写]。20.13润色和文献检查
请调用paper-polisher检查措辞、公式、符号和结论是否一致。若涉及参考文献，请调用reference-manager核查引用真实性，不允许编造参考文献。20.14最终审计
所有Qx章节起草完毕。请依次运行consistency-auditor、completeness-auditor、quality-assurance-auditor。重点检查论文数字是否全部来自frozen_numbers.json，图表是否被正文引用，符号是否一致，所有问题是否回答完整，是否存在AI编造内容。21.新手最容易犯的几个错误
错误1：把Skill当成自动代写器
MathModeling-skills不是一键生成论文的工具。项目README里也明确写了，它不会一键生成整篇论文，不会编造数据、结果或引用，也不会在结果跑出来之前把数字写进论文。
正确理解应该是：
它是流程辅助工具，不是代写工具。
错误2：跳过workflow-orchestrator
很多人装完Skill以后，会直接调用某个Skill，比如上来就让python-model-code-generator写代码。
这不推荐。
最好先让workflow-orchestrator总管流程。因为数学建模不是单点任务，而是一整条链路。跳过前面的读题、数据审计、方法验证，后面代码再快也可能是错的。
错误3：不写人工选择理由
这套流程里有些gate是故意交给人的，比如方法选择和结果判定。AI可以建议，但人必须拍板。项目README里也强调，方法选择由使用者决定，AI只给候选和可行性结果；选择理由为空或照抄AI内容都不应通过GateG2.5。
所以不要偷懒。你们队伍要自己写：
为什么选这个模型？
为什么不用另一个模型？
这个结果为什么可信？
这个模型的局限是什么？
这些才是真正体现建模能力的地方。
错误4：修改原始数据
原始数据不要直接改。放在workspace/data_raw/里，后续清洗结果放到workspace/data_clean/。
这就像实验里的原始记录，不能随便涂改。你可以生成处理后的副本，但不要动原件。
错误5：论文数字手动乱改
论文里的关键数字应该来自frozen_numbers.json。如果代码改了，结果变了，就重新生成和冻结，不要在论文里凭感觉改。
错误6：相信AI编的参考文献
任何参考文献都要能查到真实来源。不要因为AI写得像真的，就直接放进论文。
错误7：把APIKey发到群里
APIKey就像账号密码。不要截图发群，不要写进公开代码，不要上传到GitHub。
22.推荐的人机分工方式
使用ClaudeCode+DSV4Pro+MathModeling-skills，不代表队伍里的人可以躺平。
比较合理的分工是：
队长负责总逻辑：题目到底问什么，每个问题怎么接起来，论文主线怎么讲。
建模手负责模型判断：候选模型是否合理，假设是否过强，最终选哪个方法。
代码手负责运行验证：代码能不能跑，结果是否稳定，数据处理有没有错误。
论文手负责表达和排版：论文是否通顺，图表是否清楚，格式是否规范。
AI负责提高效率：读材料、列清单、写初版代码、解释报错、生成图表、润色段落、检查一致性。
一定要记住：
AI适合做快活、杂活、重复活。
人负责方向、判断、取舍和最终确认。
23.最后总结
这篇指南的核心其实就几句话。
网页AI像去餐馆吃饭，方便，但限制很多。
ClaudeCode像请厨师来你家做饭，它可以进入你的项目环境，用你的文件、数据和工具干活。
DSV4Pro是这个厨师背后的模型大脑，负责理解、规划、生成和解释。
项目文件夹是厨房，必须提前收拾干净。数据、代码、图片、论文要分开放。
数学建模Skill是一张固定菜谱，可以让AI按规范流程工作，避免一上来就乱建模、乱写代码、乱下结论。
真正的数学建模能力仍然属于人。AI能让你更快，但不能替你判断。会用AI的人，不是把任务丢给AI的人，而是能把AI放进正确流程里的人。
如果你刚上大一，电脑基础不太好，也不用害怕。你不需要一开始就成为程序员，也不需要马上理解所有命令。你只需要先记住这件事：
把项目整理好，把问题说清楚，把流程固定住，然后让AI一步一步干活。
这就是ClaudeCode+DSV4Pro在数学建模里最实用的打开方式。