关于数模workflow搭建的thinking和plan

这部分包含着答辩老师提供的信息，我的一些反思，还有关于后续例如skill的创建，workflow的搭建，甚至于简单的Agent的搭建等。

关于AI

不能对 AI 生成的代码抱有侥幸心理，根据老师的说法，直接复制粘贴甚至连“变量名”都可能无法通过查重系统。我对此深有感悟，许多AI给出的公式其变量的设置字母会非常的奇怪甚至是“反常识”，以及可能使用生僻的英文单词首字母来当变量名（比如我自己起名可能是A，B，C）。根据林加云的说法，代码全部得自己过一遍改一下，至少降低所谓的代码的AI味。

那么对于建模来说，我觉得一开始问AI会有一种先入为主的感觉，我自己最近反思以后还是认为在拿出赛题后至少先思考，如果是大数据统计类的题，我有经验，就应该先判断一下模型是什么，然后再问AI，避免一开始的思路就受到影响。这就牵扯到所谓的查重率的问题。我相信大部分队伍的策略都是一开始马上问AI，对于不同的模型，其参数权重差异可能导致不同的结果，所以我认为如GPT，deepseek这类过于popular的LLM就不太适合用来确定思路，可能要用claude或者kimi好一些，后续细化的话倒是无所谓。当然这个前提是建立在足够的知识积累上，后续还要继续努力学习。然后我觉得可以多看看书，现在书本估计都没啥人看了，不存在所谓的重复率问题了。

关于skill

我已经根据b站的视频制作了skill了，具体的内容我也还没细看，我觉得等日后有空的话可以仔细审视一下GPT封装的这个skill。可以先吸收他人的。github我现在是发现了不少开源的skill，我觉得有时间可以批判性看看。与此同时也不只是数学建模的skill，一些build project或者是一些大牛自己的skill也可以看看，然后给各类Agent装上同一套的skill。

还有自己build自己的skill。我能想到的就是比如“降低AI味”的skill和论文输出格式的skill。顺带提一嘴，我感觉现在我的论文过于based on AI了，我自己纯手搓的内容还不是太多。这也就引出了我还是要多学学写论文，尽量保证多一点手搓，这样不管是整个论文框架思路还是学术能力锻炼都比较有帮助。说回来，我可以和codex对话一下，遍历一下跟数模相关的所有对话，提炼出我的“喜好”，封装成skill。

复盘

数量压降至 5-6 个，按重要性降序排列；涵盖维度：问题背景、构建的模型、解法方法、实际意义；严禁英文缩写及未翻译名词。
全局英文/数字强制 Times New Roman。
关于优化类问题，需要目标函数，约束条件，决策变量，求解方法，最优方案是否满足约束，缺一不可，需要体现；
统计模型需要体现表达式、参数估计、统计检验、显著性结果；
模型的建模步骤要具体体现；
部分的细化部分可以不在公式里体现（例如线性组合权重系数的确定）；
多阅读优秀论文；
算法的部分可以批判性省略，主流算法可以一笔带过，算法中途的实现并不重要；
公式变量解释放在公式前，符号说明需要全一点；
用机器学习时一定注意数据数量的问题；
特别留意检查一下跑出来的数据有没有问题；
用纸笔梳理一下思路对于而言效率更高；
梳理清楚逻辑的一个表现就是后面可以based on前面的建模或者处理，能连上，不要堆模型；
收着写，20页出头就行；
注意正文也可以进行加粗操作；
要非常明确地对图表进行解释；
模型检验极其重要。