Math Derivation

Math Derivation

建立诚实、可检查的推导链；不把解释、近似或数值现象伪装成严格证明。

Position in the Method Map

本 skill 连接“规格与语义”到“演绎验证/定理证明”：它先保持 ProblemContract 的定义和量词不变，再将论证拆成可复核的中间命题。它不是 Lean elaboration，也不是自动化求解器；需要形式化 proof term 时转交 math-formalization。地图总览见 FORMAL-METHODS-MAP.md。

When to Use This Skill

• 用户要求推导公式、整理理论线或解释等式来源。
• 当前公式混用了不同对象、极限、尺度或适用域。
• 需要将全局量分解为可解释项，或从一般模型收敛到可验证特例。

Not For / Boundaries

• CandidateObservation 未形成明确用户目标或 active ProblemContract 时回到 math-discovery；不得用推导文本替候选完成准入。
• 完整定理证明交给 math-proof。
• 具体符号/数值检查交给 math-computation，其结果只是证据层。
• 不静默增加假设、交换极限/积分、忽略收敛条件或改变目标对象。

Quick Reference

Target：要得到什么，角色是 identity / proposition / approximation / interpretation？
Invariant object：贯穿推导的唯一顶层对象是什么？
Assumptions：显式、隐藏、局部、渐近和正则性条件。
Notation：每个符号先定义，一物一名。
Map：中间恒等式/引理、每步所用假设、近似进入位置。
Checks：维度、定义域、边界、极限、特例、符号与数值反算。
Status：coherent / coherent-after-reframing / blocked。

Examples

Example 1：精确恒等式

• 输入：需要证明两个代数表达式等价。
• 动作：固定定义域和变量假设，逐步变形，再交给 SymPy 做差为零检查。
• 验收：区分纸面推导与 symbolically-checked，不标记 kernel-checked。

Example 2：渐近近似

• 输入：推导大样本近似。
• 动作：标明极限变量、余项、均匀性和常数依赖。
• 验收：结论含适用域和误差阶，不把近似写成恒等式。

Example 3：目标对象错误

• 输入：局部代理量被当作全局目标。
• 动作：指出对象切换，重构为“全局量 → 分解 → 局部切片”。
• 验收：状态为 coherent-after-reframing 并保留原目标差异。

References

• references/source-map.md：推导方法来源和未吸收边界。
• references/pressure-tests.md：隐藏假设压力场景。

Maintenance

• Sources：kdense-scientific-skills 与本项目 ProblemContract/证据分层规则；不依赖未发布本机来源。
• Last updated：2026-08-13。
• Verification：python3 scripts/smoke_math.py 只验证计算层；推导仍需逐步审计。