当使用者说“帮我写模型假设”“这些假设合理吗”“方程里藏了哪些前提”“这些模型假设怎么检验”时使用。把题面事实、定义、校准选择、数值近似与真正假设分开，建立带类型、理由、作用域、失效后果、承重性和反证测试的假设登记表，并检查量纲、守恒、边界、极限情形与重复假设；不虚构现实依据，不把方便计算写成已验证事实。
The English summary is being prepared. Showing the original description.
See how to installReview the instructions the agent will receive before you install.
假设的价值不在于让论文看起来规范，而在于告诉读者模型在哪些条件下才可能成立、什么时候应该停止相信它。 这个 skill 从题面、方程、数据处理和代码中把前提逐条抠出来，再按对结论的影响决定先检验哪一条。
不适用于 / Not for：
modeling-problem-reading-coachmodel-selection-tutormodel-critique-coachpaper-structure-coach 安排位置dimensional-analysis-checker / limiting-case-validator| 输入 | 必填 | 说明 |
|---|---|---|
| 模型用途与作用域 | 是 | 模型要回答什么，只在哪些时间、空间、对象和情景内使用 |
| 变量账本 | 是 | 符号、定义、类型、单位、范围和来源 |
| 模型结构 | 是 | 方程、流程、目标函数与约束，或足够精确的文字结构 |
| 数据与处理步骤 | 否 | 抽样、缺失、聚合、标准化、异常处理、训练 / 验证划分 |
| 参数与求解设置 | 否 | 给定值、拟合参数、先验、初值、容差、随机种子和停止条件 |
| 当前假设清单 | 否 | 用作审计起点，不默认完整或正确 |
没有模型结构时，只能整理候选假设，不能声称已经找全。共享状态、ID 和交接格式见
../_shared/modeling-work-contract.md。
| 类别 | 例子 | 正确处理 |
|---|---|---|
| 题面事实 | 题面明确给出容量为 100 | 记来源与状态，不改写成“假设容量为 100” |
| 定义 | 风险分数定义为三个指标的加权和 | 说明这是操作化定义，并检查是否回答原概念 |
| 校准 / 估计结果 | 由数据拟合得到 $k=0.42$ | 绑定数据与运行，不列作现实假设 |
| 设计选择 | 时间步长取一天、阈值取 0.5 | 写选择理由与替代值，必要时做敏感性检查 |
| 数值近似 | 最大迭代 1000 次、网格间距 0.1 | 检查收敛和离散误差，不冒充数学前提 |
| 模型假设 | 接触率在观察期内不随时间变化 | 登记作用域、后果和反证测试 |
一个句子可能包含两类内容，要拆开。例如“为简化计算，假设各站需求独立且服从正态分布”至少是两个 统计假设；“为简化计算”只是动机，不是合理性证据。
逐个扫描，不只看论文现有假设段：
每条只写一个可判断的命题。避免“其他条件不变”“忽略次要因素”这种没有对象和范围的句子。
使用以下类型：结构、物理、统计、行为、数据、测量、计算 / 数值。每条 A 至少写：
无法验证的假设不一定要删除，但必须降低结论强度并写进限制。
按模型适用项检查：
有执行能力时，量纲一项交给物理库的确定性脚本（路径相对本 skill 目录；在别处运行时写完整路径）：
python3 ../../physics/_shared/scripts/dimcheck.py model.dim
model.dim 的格式见脚本开头的说明：[symbols] 每行 符号 = 量纲，[check] 每行 名字 = 表达式 ; 期望量纲。
脚本只认 M L T I K N J 七个基本量纲；人数、车辆数、金额这类计数单位借一个本模型用不到的基本量纲代表（例如
S = N 表示“人”），并在注释里写明。记成 1 会漏掉“$\beta SI$ 与 人 / 天 不一致”这类错误。退出码 0 全部通过，
1 有不一致，2 输入写错。没有执行能力时按上面的清单人工核对，标“未执行”。
详细量纲与验证层次按需读 ../_shared/validation-playbook.md。
为高承重假设至少设计一个会让它暴露的检查：
预先写期望、指标和判断规则；不要等看到结果再定义“通过”。
优先级由两个维度决定：失效对核心结论的影响与当前证据的不确定性。先测“高影响 + 低证据”， 而不是先测最容易画图的参数。
修订方向按代价从小到大：缩小作用域、改弱措辞、补数据 / 诊断、换结构、把结论改为情景性结论。 不要为了显得严谨，把一条假设改写得更绝对。
先给完整登记表，再问最多 4 个会改变模型结构或结论的问题。使用者确认的是团队愿意采用这个前提及其风险， 不是确认它客观为真。
把高风险 A、对应 T、受影响 M / C 与未决数据交给实现或批判阶段。
## 范围与完整性
<读到的模型、数据、代码范围；哪些入口未检查>
## 分类纠正
| 原条目 | 实际类别 | 应怎样记录 | 原因 |
## 假设登记表
| ID | 精确陈述 | 类型 | 理由 / 证据状态 | 作用域 | 模型作用 | 失效后果 | 承重性 | 测试 |
## 数学一致性审计
| 检查 | 位置 / IDs | 预期性质 | 当前状态 | 修复方向 |
## 极限、反例与敏感性优先级
| T ID | A ID | 扰动 / 场景 | 观察指标 | 预先规则 | 优先级 | 状态 |
## 冲突与重复
| IDs | 类型 | 对模型的影响 | 处理建议 |
## 交接
- 可暂时采用：<A IDs 与作用域>
- 先验证再用：<高风险 A / T IDs>
- 需要改模型：<冲突或不可接受假设>
- 下一步：<modeling-code-builder 或 model-critique-coach>
unverified。A / T / C，不重贴全表../_shared/modeling-work-contract.md —— 状态标签、稳定 ID 与交接规则../_shared/validation-playbook.md —— 量纲、可辨识性、验证层次与结论强度../../physics/_shared/scripts/dimcheck.py —— 第 3 步量纲审计的确定性检查（物理库共用脚本）| 版本 | 日期 | 变更 | 类型 |
|---|---|---|---|
| 0.1.1 | 2026-09-26 | 适用范围改为“已选定模型或团队确认的主候选”，仍在比较结构（即便有草稿）交给 model-selection-tutor，与选型侧一致；触发语“怎么做假设检验”改为“这些模型假设怎么检验”，并注明只选统计检验方法不属于本 skill；补单条方程量纲 / 极限的分流，量纲审计引用 dimcheck.py 并写明计数单位的写法 | patch |
| 0.1.0 | 2026-08-17 | 初始草稿：五入口假设抽取、类别纠正、一致性审计、反证测试与风险排序 | minor |
No reviews yet. Tell others what you thought.
No login needed. Share how it worked for you, ask a question, or note where it did not run.
No comments yet. Be the first to write one.
当学生说"Common App 活动栏写不下"、"这段活动描述超字数了"、"帮我把这几条压到限制内"时使用。先按官方申请表核对当季字符限额，再逐条检查；一次把所有条目量完并直接给出压缩版，只在需要砍掉实质内容时才用选择题问该保哪部分。每改一版都用工具重新数一遍字符，绝不凭感觉说"这样应该够了"。只压缩，不代写空白。
The English summary is being prepared. Showing the original description.
当学生说"我参加过一些活动但没整理过"、"帮我把经历录进去"、"我的活动档案是空的"时使用。让学生一口气把记得的活动说出来，直接把这段话拆成结构化的长期事项（角色、组织、起止时间、做了什么、结果、级别），说不清的字段留空标"待补"而不是编，再用一张选择题卡把级别判定与是否重复这类关键项一次问完，然后提案入库。只记录学生真正说出口的内容，级别按事实判定，绝不往高了写。
The English summary is being prepared. Showing the original description.
当学生问"招生官会怎么看我的档案"、"我的背景还差什么"、"帮我评估一下现在的申请竞争力"时使用。以顶尖大学招生官的视角通读学生的档案、长期活动与已写下的反思，不问任何前置问题直接产出一份指名道姓的坦诚点评：这份材料的亮点、招生官真实的解读方式、明显的短板与空白、以及接下来最值得做的一到两件事。只读不写，不修改学生的任何数据，也不代写任何申请材料。
The English summary is being prepared. Showing the original description.
当使用者说"帮我填词"、"按这个字数模板写歌词"、"用多Agent对抗式写词"、"这首副歌帮我想几句"时使用，前提是字数骨架和这首歌写什么都已经有了；只有主题、还没定写什么时先用 lyric-concept-builder。拿一份字数骨架和意象系统，派三个 sonnet 子代理按不同路子并行独立起草（场景派 / 口语派 / 意象派），再派一个红队子代理逐句挑毛病，主 Agent 按句裁决拼稿，最后统一辙口与意象。收敛判据卡死：字数用 lyric-doctor 的脚本对模板数、每段同辙、hook 不含陈词、主歌二对主歌一有推进。不抄现有歌词，不替使用者决定这首歌要说什么。
The English summary is being prepared. Showing the original description.
当想知道一段 AI 回答"哪些能直接用、哪些必须先验证、哪些只能当建议"时使用。按声明类型分四级——低风险草稿材料、观点与策略建议、可查证的事实声明、会改变状态的可执行指令——每级配一句默认处置动作；再按影响半径排序，给出最小的下一步检查。可执行类一律标"不能直接执行；先做代码审阅/沙箱测试/回滚准备"，其中破坏性或提权的命令排在最前。教的是一套可复用的复查习惯，不是替使用者把所有内容都核实一遍：本 skill 只分级、排序、定处置，要逐条核实走 ai-output-fact-checker，整段代码要做入库体检走 ai-code-onboarding-checklist。
The English summary is being prepared. Showing the original description.
当拿到一段 AI 生成的代码，还没决定要不要信、要不要跑、要不要往上继续加东西时使用。先做一遍客观体检：行数与嵌套深度、有没有测试、有没有硬编码密钥或遗留 TODO、依赖是不是真实存在、有没有危险调用（eval/exec、shell=True、递归删除、反序列化、提权、外发网络，按正文给的 grep 模式逐类查）；再给风险评级和下一步动作。老实写明它查不了算法正确性——体检通过不等于代码是对的。回答里文字、事实和代码混在一起时先用 ai-answer-triage 分级；只审相对已有代码的一份改动用 ai-diff-review-protocol。
The English summary is being prepared. Showing the original description.