数学建模助手

适合解决什么问题

当原始问题没有直接给出模型，例如“如何给仓库排班使成本最低”“预测下一周需求误差多大”“评估不同方案风险”，需要先把它变成可计算、可检验的数学问题。这个技能面向这类 建模前梳理：明确目标、变量、约束、评价标准和边界，避免直接套公式导致单位不一致、假设缺失或结果不可解释。它不生成真实数据，也不替代具体求解器；它把问题拆成可以交给代数、优化、统计或仿真流程的结构。

核心工作流

技能会按固定结构输出：

• 问题重述：把目标压缩成一句话，确认是优化、预测、分类、估计还是比较。
• 变量与假设：列出决策变量、已知量、约束、评价准则，并说明哪些因素被忽略。
• 模型构建：根据关系类型选择代数/几何模型、优化模型、概率统计模型或微分/差分/仿真模型。
• 求解与验证：给出公式、结果、单位检查、边界检查和基线对比。
• 敏感性与解释：检查关键参数变化影响，说明哪些假设最影响结论。
• 局限性：明确指出未满足条件、缺失信息和下一步改进方向。

若问题欠定，它会要求补充 参数、边界、数据窗口 或 目标函数；若存在多个建模路线，会说明 tradeoff 并选择一条可辩护的路线。常见模式包括 优化、预测、排队/流量、排序评估 和 风险不确定性，每种都要求定义对象、指标、权重或概率场景。

使用边界

它适合作为建模草稿、作业思路、模型评审清单或给求解器的输入规范。对于需要最新实时数据、企业专有约束、高精度统计推断或大规模仿真代码的问题，需要外部数据源和计算环境配合。使用时应重点检查：假设是否与业务一致，单位 和 维度 是否闭合，结果是否真正回答原问题，解释是否没有隐藏步骤。