lzh20060217 数模国赛专属总控
定位
把“题目要求—数据—模型—代码—结果—图表—论文结论—验证证据”连成一条可复核链。模型以适配性、效果、稳定性和解释性为先，不以算法复杂度或数量为目标。
本技能融合三类经验：
cumcm-step-review的国赛论文、图表、DOCX/LaTeX 和 AI 合规流程；- 内置
assets/project-template/的 G0–G6、Tier 0/1/2、方案冻结、产物登记与独立验证机制； - 实战约束：每问控制模型数量、前问清洗数据必须传给后问、全部数据图由代码生成、论文数字只能取自统一结果源。
根目录与权威顺序
SKILL_ROOT：本文件所在目录，只读。PROJECT_ROOT：当前比赛项目目录；所有题目、数据、代码、结果和论文产物写入这里。CUMCM_ROOT：通常为SKILL_ROOT/../cumcm-step-review；存在时按需复用其中工具和规范。FIGURE_SKILL_ROOT：可选的SKILL_ROOT/../scibox-figure；存在时用于从真实结果表生成带溯源记录的数据图。TEMPLATE_ROOT：SKILL_ROOT/assets/project-template；只作为新项目种子，不在原位开展比赛。
发生冲突时依次服从：用户当前明确要求 > 当届官方规则和题目 > 用户批准的冻结方案 > 实际运行与验证证据 > 本技能 > 往届经验或范文。不能用往届规则替代当届规则。
启动回显
首次进度更新说明：已激活本技能、四个根目录的实际路径、比赛名称与届次、题号、当前质量门、当前交付物、剩余时间或未知项、计划读取的入口。未核验的规则明确标为待核验。
先读取项目内 AGENTS.md（若存在）、题目、官方规则、PROJECT_STATUS.md 和 HANDOFF.md。不要一次性读取全部参考资料。
两种工作模式
轻量赛时模式（默认）
适合三人队和时间紧张场景。不创建额外角色任务。保留四个不可省略的审核点：
- G0 题目、数据与规则盘点；
- G2 模型与预处理冻结，由用户批准；
- 每问结果和验证结论审核；
- 终稿数字、格式、AI 报告和交付包审核。
完整审计模式（仅用户明确要求）
使用内置项目模板的一个总控加六个长期角色、派单、回执、路径所有权和 G0–G6 门禁。不得仅因任务复杂就自行创建子 Agent、长期任务或多对话拓扑。启用前读取 references/unified-workflow.md 和 assets/project-template/coordination/README.md。
统一流程
- G0 规则、题目和数据：逐字提取每个子问的输入、输出、约束、评价对象和歧义；登记数据来源、字段、单位、时间粒度、缺失、异常、重复和 SHA-256。原始数据只读。
- G1 必要证据：围绕机制、候选模型、指标和检验做定向检索。正式引用必须核验元数据和原文；不要为了显得充分而堆文献。
- G2 模型设计与冻结：先给简单基线和主力模型；高级模型必须说明它具体修复什么缺陷。列出变量、公式、假设、参数、算法步骤、数据口径、计算预算、失败判据和回退方案，交用户批准后冻结。
- G3 编程求解：先跑基线，再跑主模型。固定随机种子，记录环境、命令、参数、运行时间、输入哈希和输出路径。正式结论必须来自可运行脚本。
- G4 验证：区分数学一致性、误差/不确定性、灵敏度、稳健性、消融/替代模型、随机重复和复杂度。不能把训练拟合好当成泛化可靠。
- G5 论文交接：只写已验证结果；每个摘要数字和正文结论必须能追溯到结果表、脚本和验证记录。用同一冻结事实源生成 Word 与 LaTeX/PDF。
- G5.5 晚期 AI 辅助自查：论文完整编译后、打包前执行 20 项补充检查，覆盖 AI 使用一致性、数据与引用真实性、图表数值、题意闭环、模型适配、参数依据和全文呼应。它是第三方清单的审慎转化，不是官方评分表；先读
references/late-stage-ai-self-check.md，结果写入reports/late-stage-ai-self-check.csv。 - G6 打包：只有用户当前明确要求时执行。交付论文、代码、必要数据、图表、结果底表、复现说明、AI 报告、manifest、ZIP 和 SHA-256。
详细门禁和两种模式的时间安排见 references/unified-workflow.md。
模型与算法原则
- 先判断任务是预测、分类、评价、优化、机理、网络、空间、仿真还是因果，再选模型。
- 每问至少有可解释基线与一个主力模型；默认最多两个独立模型族。检验、灵敏度和可视化不算额外模型族。
- 所有候选使用相同的数据划分或场景、评价单位和主要指标比较。
- 深度学习不是获奖条件。只有样本量、数据结构和预注册增益支持时才使用；否则优先成熟、透明、能完整验证的方法。
- 创新来自题目结构、变量设计、约束、数据处理、模型耦合或验证方式，不靠生僻名称。
- 多问不得各自为战：建立
Q1清洗/特征 → Q2识别/估计 → Q3规律 → Q4评价/预测 → Q5决策/推广的实际依赖图；若题目结构不同，按真实依赖调整。
选择算法、设计代码或制图前读取 references/modeling-and-coding.md。需要算法细节时再读取 CUMCM_ROOT/references/模型选型树.md、算法索引.md 和少量相关 assets/*.md。
编程与图表硬约束
data/raw/只读，处理数据写入data/processed/；下游问题只使用带版本号和哈希的清洗数据。- 正式入口放
src/或experiments/；Notebook 不能是唯一复现入口。 - 每个正式数字、表、图登记到 artifact manifest，并保留生成命令与源数据。
- 所有数据图由 Python/MATLAB/R 代码生成，不使用图像生成模型伪造数据图。
- 若使用
scibox-figure，先读取其SKILL.md，正式图只走真实 CSV/TSV 数据入口并保留 provenance；内置模拟模板只能作版式草图。 - 图内一般不放标题；图题在正文图下。图后立即解释“看到了什么、意味着什么、支持哪一结论”。
- 输出可读图和图后数据；流程图保留可编辑
.drawio源文件。 - 论文公式、表格、图与代码结果必须逐项一致。
论文与 AI 合规
写论文、摘要、DOCX、LaTeX/PDF 或 AI 报告前读取 references/paper-and-ai.md，并按任务读取 CUMCM_ROOT 中相应入口。使用其工具前必须实际读取对应 SKILL.md。
AI 可以帮助检索、解释、编程、检查和语言修改，但不得伪造数据、引用、运行、人工审批或队员贡献。全过程维护 ai_usage_log.md；最终声明和使用详情必须与实际使用一致。“去 AI 味”只能改善表达和减少模板腔，不能用于隐瞒 AI 使用或规避官方披露。
用户审核与变更
- 用户批准的是带版本和哈希的模型/预处理方案；批准前不得把状态写成冻结。
- 冻结后若改变研究答案、阈值、目标函数、变量定义或结论范围，先说明影响并重新审批。
- 数学等价的实现选择和普通代码 bug 可登记后修复，但不得借修 bug 偷换模型。
- 用户指出题意或结果错误时，回到题目原文、数据和运行证据查明，不能从论文措辞中反推“正确答案”。
按需路由
- 新建比赛项目：运行
scripts/init_project.py <新目录>，然后读取references/project-layout.md。 - G0–G6、时间预算、轻量/完整模式：
references/unified-workflow.md。 - 模型选择、代码、跨题链、复现和图表：
references/modeling-and-coding.md。 - 从结果表生成统计图：若
FIGURE_SKILL_ROOT存在，读取其SKILL.md；流程图仍使用CUMCM_ROOT/tools/drawio/scibox-diagram。 - 写作、摘要、格式和 AI 合规：
references/paper-and-ai.md。 - 来源、版本、工具依赖与迁移：
references/source-map.md。 - 阶段自检：
references/competition-checklist.md。 - 完整论文形成后的 G5.5 补充核查：
references/late-stage-ai-self-check.md；其结构校验脚本为scripts/check_late_stage_ai_audit.py。 - 快速结构检查：
scripts/check_project.py --root <项目目录> --mode snapshot；正式交付用--mode release，并同时运行项目中更严格的门禁。
完成标准
不得只说“已完成”。最终回复列出实际读取的规则/入口、实际运行命令与退出码、用户审核状态、关键结果与验证指标、生成文件路径、仍存在的警告或阻塞。任何没有真实运行或验证的结论必须明确标为计划、候选或待核验。