对数学建模竞赛论文进行两层AI痕迹审计——第一层9维检测(语言层面60%：连接词/排比/拔高词/被动句/段落规律/文本复杂度；事实层面40%：引文验证/数值一致性/术语一致性)，第二层模型合理性深度审查。严格判分+一票否决+问题标红。输出分层HTML报告。
インストールする前に、エージェントに与えられる指示の中身を確認できます。
两层递进式检查 + 9维融合检测：
第一层：增强的9维框架（100分制）
第二层：数学建模逻辑审查（100分制）
最终评分 = (第一层 + 第二层) / 2 → 风险等级 → HTML分层报告
新增能力：
✓ 参赛队员自检：快速诊断版，定位问题，按优先级改进
✓ 指导老师评审：简洁版+完整版，全面了解论文问题
✓ 社团评委存档：完整版，逐部分详细分析，存档决策
✓ 论文盲审：用两层评分表判断是否涉及AI拼装
最低输入：完整数学建模论文（PDF或Word格式）
增强输入（提高置信度）：
识别论文结构
标记摘要、问题重述、问题分析、假设、符号、模型建立(Q1-Q5)、求解、结果、检验、灵敏度、评价、参考文献、附录
阅读五维评分标准
参考 references/audit-framework.md，理解五个维度的0-100分评分规则
v2.2 严格化说明：以下阈值较 v2.1 全面收严约 5–10 个百分点， 且引入"扣分项累加"机制。评审倾向：宁可标红后经人工复核撤销， 不可漏标。任何一项落入 🟠 及以上，报告中必须标红呈现并给出证据位置。
3. 语言层面检测（6维，权重60%）
3.1 高频连接词检测（维度1，权重20%）— 融合Humanizer-zh
<8% → 100分 🟢8-12% → 85分 🟢12-16% → 60分 🟡（原15-20%才扣，现提前）16-20% → 35分 🟠 标红20-25% → 15分 🔴 标红>25% → 0分 ⛔ 标红3.2 排比与同构句式识别（维度2，权重12%）
3.3 拔高词与修饰词检测（维度3，权重12%）— 5级分类
3.4 被动句占比与语态分析（维度4，权重9%）
<15% → 100分 🟢15-22% → 85分 🟢22-27% → 55分 🟡（原25-30%才扣到60）27-33% → 30分 🟠 标红>33% → 0分 🔴 标红3.5 段落结构规律性检测（维度5，权重6%）
<15% → 100分 🟢15-28% → 80分 🟢28-40% → 50分 🟡40-55% → 25分 🟠 标红>55% → 0分 🔴 标红3.6 文本复杂度分析（维度6，权重1%）
4. 事实层面检测（3维，权重40%）
⚠️ 本层任一维度触发"一票否决项"时，直接判定论文风险等级， 不再按加权分核算。详见 references/layer1-enhanced-detection.md §4.3。
4.1 引文验证（维度7，权重15%）— 融合nature-detector的L1-L3检查
4.2 数值一致性追踪（维度8，权重15%）
4.3 术语一致性检测（维度9，权重10%）
5. 综合评分汇总
第一层质量分 =
维1×0.20 + 维2×0.12 + 维3×0.12 + 维4×0.09 + 维5×0.06 + 维6×0.01
+ 维7×0.15 + 维8×0.15 + 维9×0.10
第一层风险分 = 100 − 第一层质量分 ← 必须转换后再查等级表
五项深度检查
对论文的每个模型，依次进行：
2.1 模型常用性判断
对标[表9：数模常用模型库]，判断该模型是否为竞赛常见模型，还是AI高频的"高大上"模型
2.2 复杂度vs收益评估
该模型的时间/空间复杂度是否与问题规模匹配？能否用更简单的方法？复杂度提升的收益有多大？
2.3 华而不实识别
检查五大特征：(1)模型名复杂但实现不透明，(2)无基线对比，(3)不必要的超参数调优，(4)通用化无边界，(5)模型数过多
2.4 模型选择"三问法"
对每个模型：问1-本题问题性质？问2-本题数据特征？问3-为什么选这个而不选替代？
三问都能清晰回答 → 低风险；任何一问无法回答 → 中等风险
2.5 建模路径风格对照
从建模路径、问题简化、模型选择、假设、数据适配、求解主线、结果解释、论文表达、稳健性和评审呈现十个方面，区分“人主导的渐进建模”与“AI式复杂化倾向”。详细规则见 references/audit-framework.md。该项只能作为组合证据：单独出现复杂模型、较多参数或较长篇幅，不得直接判定为AI生成。
第二层输出
综合2.1-2.5的检查结果，汇总成"建模逻辑评分表"，给出建模逻辑风险等级
最终AI风险分 = (第一层风险分 + 第二层风险分) / 2 → 0-100
两层都必须先由质量分转换为风险分（
风险分 = 100 − 质量分）再取平均。 直接对质量分取平均会得到方向相反的结论。
风险等级（v2.2 收严）：
一票否决：触发 references/layer1-enhanced-detection.md §4.3 任一条件时，直接采用该条规定的等级，不再按加权分核算。
报告必须让问题一眼可见，不得把风险项混在通过项里平铺呈现。
颜色语义（HTML报告统一使用）：
| 状态 | 色值 | 触发条件 | 呈现要求 |
|---|---|---|---|
| 🔴 严重 | #c0392b | 维度得分 <30 或触发一票否决 | 红底红框卡片 + 置于报告最前 + 列出证据页码 |
| 🟠 警示 | #e67e22 | 维度得分 30-54 | 橙色左边框 + 明确写出改进动作 |
| 🟡 注意 | #f39c12 | 维度得分 55-79 | 黄色标记 + 一句话说明 |
| 🟢 通过 | #27ae60 | 维度得分 ≥80 | 常规呈现，不占视觉重心 |
强制要求：
<55 时，报告顶部必须有红色警示区，汇总全部标红项≥80，才可在结论区使用绿色通过卡片生成两个版本HTML报告：
所有报告均标注"BZD数模社制作"，支持下载和打印
【第一层评分汇总 v2.1】
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【语言层面】(权重60%) 得分/100 权重 贡献
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
维度1: 高频连接词密度 XX/100 12% XX%
维度2: 排比/同构句式 XX/100 7.2% XX%
维度3: 拔高词(5级分类) XX/100 7.2% XX%
维度4: 被动句占比 XX/100 5.4% XX%
维度5: 段落规律性 XX/100 3.6% XX%
维度6: 文本复杂度(TTR/熵值) XX/100 0.6% XX%
语言小计 60% XX分
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
【事实层面】(权重40%) 得分/100 权重 贡献
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
维度7: 引文验证(L1-L3) XX/100 15% XX%
维度8: 数值一致性(参数追踪) XX/100 15% XX%
维度9: 术语一致性 XX/100 10% XX%
事实小计 40% XX分
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
第一层最终得分 XX/100
风险等级 [绿/黄/橙/红/黑]
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
关键诊断：
🔴 高风险指标（需立即处理）：
- 拔高词"显著"XX次，后跟数据仅XX次
- TTR值XX < 0.4（词汇极度重复）
🟡 中等风险指标（需改进）：
- 被动句占比XX% (目标15-20%)
- 3-gram重复率XX% (目标<5%)
✅ 通过指标（无需改进）：
- 引文5篇全部验证通过
- 关键参数追踪完全一致
- 术语使用基本统一
增强说明（相比v2.0）：
【第二层评分汇总】
模型常用性判断： XX/100
Q1: 模型名 → 常用/自定义/AI高频
模型复杂度评估： XX/100
Q1: 复杂度 vs 问题规模 → 合理/过度
华而不实识别： XX/100
五大特征检查 → 无/少/多
模型选择"三问法"： XX/100
Q1: 问题明确？Q2: 数据特征？Q3: 替代论证？
建模路径风格： XX/100
十项对照：渐进建模 / 混合 / AI式复杂化倾向
第二层总分 = XX/100
最终AI风险分 = (第一层 + 第二层) / 2 = XX/100
风险等级 = 🟢低 / 🟡中低 / 🟠中 / 🔴中高 / ⛔高
置信度 = 低/中/高（基于输入材料完整性）
关键发现：
✓ 建模逻辑清晰/✗ 模型选择有风险
✓ 参数溯源完整/✗ 参数来源模糊
✓ 问间对接明确/✗ 跨问联动不清
...
三个版本均自动生成，包含：
本工具重点关注模型选择中的两类典型AI痕迹：
这两类是AI生成论文最容易被识别的特征。
每个参数应能追溯到：
无法追溯的参数 = 幽灵参数 = 高风险
bzd-paper-aigc-auditor/
├── SKILL.md （本文件——skill定义）
├── README.md （项目说明）
├── references/
│ ├── audit-framework.md （五维评分标准+检查表）
│ ├── humanizer-keywords.txt （Humanizer-zh高频连接词表）
│ ├── models-zh.md （数模常用模型库vs AI高频模型）
│ └── patterns-zh.md （AI常见自证式论证模式库）
└── templates/
├── BZD数模论文AI痕迹自查指南.html （学生自检用户指南）
└── BZD数模论文AI痕迹审计报告模板.html （审计报告——简洁版+完整版）
用户（学生/老师）流程：
社团/评委流程：
当前版本：v2.0（2024-XX）
改进内容：
适用场景：CUMCM、美赛、国赛、校赛等数学建模竞赛
支持平台：Claude Code、Codex均可使用
⚠️ 本工具的限制：
✅ 本工具的优势：
まだレビューはありません。使ってみた感想をお寄せください。
概要と使いどころ
Review a user-provided Chinese mathematical-modeling abstract without requiring the problem statement or full paper, identify concrete writing defects, and prioritize revisions. Use when the user asks to check, diagnose, or improve a modeling-paper abstract; do not claim coverage or factual consistency that cannot be verified without the problem or paper.
日本語の概要は準備中です。原文の説明を表示しています。
Generate or review mathematical-modeling competition AI tool usage statements and the anonymous AI工具使用详情.pdf. Use when users provide real AI usage records, or when checking a paper, statement, details PDF, code, and AI records for completeness, anonymity, and consistency.
日本語の概要は準備中です。原文の説明を表示しています。
Query 2021-2025 CUMCM school awards and 2026 forecasts, or assess a student's preparation distance from provincial and national awards using school history and prior modeling experience.
日本語の概要は準備中です。原文の説明を表示しています。
Review a mathematical-modeling paper's model-assumption section against the complete problem statement. Diagnose whether each assumption is necessary, evidence-based, compatible with the task, appropriately simplified, and usable by the later model. Use for assumption review, not automatic full-paper review or unsupported assumption generation.
日本語の概要は準備中です。原文の説明を表示しています。
Query the bundled BZD mathematical-modeling dictionary for a user-selected model, explain its assumptions, inputs, outputs, limitations and validation, then judge whether it fits the current competition problem and data. Use when a user asks whether a proposed model is appropriate, requests model feasibility review, or wants dictionary-based alternatives for a modeling task.
日本語の概要は準備中です。原文の説明を表示しています。
Review the model establishment, numerical solution, result analysis, model validation, and sensitivity or robustness sections of a mathematical-modeling paper against the complete problem. Use for core-model-section diagnosis, not automatic full-paper scoring or unsupported recomputation.
日本語の概要は準備中です。原文の説明を表示しています。