建模假设整理器 / Modeling Assumption Builder

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。

何时使用 / When to use

• 已选定模型（或团队已确认的主候选），需要把隐含前提写成可审查的假设
• 论文的“模型假设”只有“忽略次要因素”“认为数据真实可靠”等空话
• 方程、数据清洗、参数估计或求解过程可能偷偷引入了额外条件
• 需要检查线性、独立、平稳、正态、守恒、单调、同质性等前提是否有证据
• 要为灵敏度、压力测试和模型局限安排优先级

不适用于 / Not for：

• 题目目标和变量尚未明确 —— 先用 modeling-problem-reading-coach
• 仍在比较模型家族或结构（即便手上已有草稿）—— 用 model-selection-tutor
• 已有完整模型，要从结论倒查所有漏洞 —— 用 model-critique-coach
• 只想润色论文里的假设段落 —— 先完成本流程，再由 paper-structure-coach 安排位置
• 只查单条方程的量纲或极限 —— 用 dimensional-analysis-checker / limiting-case-validator
• 只想选统计检验方法（t 检验、卡方、秩和）—— 不属于本 skill，直接回答即可；模型里的正态、独立等前提能不能用 仍在本 skill 范围

需要的输入 / Inputs

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。

先分清什么不是假设

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。

流程 / Process

1. 从五个入口抽取隐含前提

逐个扫描，不只看论文现有假设段：

1. 自然语言：忽略、近似、代表、典型、均匀、稳定、随机、独立、充分等词
2. 方程与约束：线性可加、连续可微、无延迟、守恒、封闭边界、参数恒定、无交互
3. 数据处理：缺失机制、采样代表性、聚合不失真、测量误差、标签可靠、时间对齐
4. 估计与验证：误差分布、独立同分布、训练与未来同分布、参数可辨识、指标足以代表目标
5. 数值与代码：初值依赖、收敛容差、随机性、离散步长、截断、自动修复或静默删值

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。

2. 分类并登记

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：

• 精确陈述：什么在什么范围内成立
• 理由：题面、数据、文献、机制、可解性或暂时缺省；理由不等于验证
• 作用域：时间、空间、群体、参数范围、情景
• 模型作用：它使哪个方程、参数、推断或求解步骤成立
• 失效后果：如果不成立，哪些结果或结论受影响
• 承重性：结论是否依赖它；高 / 中 / 低，并说明依据
• 测试：可观察的反证、诊断或压力场景
• 状态：verified / student-provided / inferred / unverified / missing

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。

3. 做数学一致性审计

按模型适用项检查：

• 量纲：加减项、等式两侧、指数 / 对数输入、归一化基准
• 守恒：质量、人数、概率、流量、预算是否凭空出现或消失
• 符号与界：概率在 $[0,1]$，容量非负，库存不超过上限
• 单调与凸性：模型是否真的保证论文声称的方向或可解性
• 对称 / 同质：交换对象是否不应改变结果；若应改变，异质性在哪里表达
• 初始与边界条件：问题是否有唯一解，条件是否来自题面

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。

4. 做极限与反例检查

为高承重假设至少设计一个会让它暴露的检查：

• 输入为零、全相等、极大 / 极小、只有一个对象时，结果应怎样
• 删除某类数据、改变时间窗或换一个区域后，结论是否保留
• 允许相关、非线性、时变或异质后，结果变化多大
• 多组参数是否产生几乎相同输出；若是，不单独解释这些参数
• 数据缺失若不是随机，当前处理会朝哪个方向偏

预先写期望、指标和判断规则；不要等看到结果再定义“通过”。

5. 查重复、冲突、循环与偷渡

• 两条假设是否只是同一前提换说法，造成“证据很多”的错觉
• 两条假设是否互相冲突，例如既称参数恒定又按阶段变化
• 是否用待证明结论当作假设，使模型必然得到想要的答案
• 同一效应是否在数据修正和方程参数中重复计入
• 数值近似是否悄悄改变了原模型，例如截断负值却仍称守恒

6. 按风险排序并修订

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。

7. 让使用者确认并交接

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。

输出格式 / Output

## 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>

工具与跨 Agent 降级 / Tool fallback

• 能读方程、代码和数据处理文件时按五入口核对；不能读时明确只审了使用者贴出的部分。
• 能计算时执行量纲、小例、极限或参数扫描并记录结果；不能执行时给检查设计，标为未运行。
• 有单位库或符号工具可辅助，但工具通过不等于现实假设得到验证。
• 能独立审查时让审查者寻找遗漏与循环；不能时做一遍“如果这条为假会怎样”的反向自审。
• 核心流程不依赖宿主 API，结果可完整返回在对话中。

边界 / Boundaries

• 不虚构合理性：没有数据、机制或来源时，只能写“为可解性暂取”或 unverified。
• 不把题面事实降格成假设：这样会让模型看似拥有并不存在的自由度。
• 不把假设写成结论：假设“方案公平”会使公平评价失去意义。
• 不以“符合实际”收尾：必须说明符合哪段现实、由什么证据支持、在哪个范围内。
• 不把数值设置藏进数学假设：步长、容差、随机种子和初值要单独验证。
• 不把相关当独立、把稳定当平稳：这些是强统计前提，需要具体诊断。
• 不替团队接受风险：可以排序和建议，采用高风险假设需要使用者确认并在论文中披露。
• 不代写虚假假设段：可以基于团队真实模型整理表达，不能补造实验、来源或现实依据。

Token 控制 / Token discipline

• 先扫描模型结构与数据流，现有假设段只作一个入口
• 同义假设合并后再排序；每条保持单一命题
• 低承重、证据充分的条目压缩，高承重条目保留完整测试与后果
• 新证据到来时只更新关联的 A / T / C，不重贴全表

参考资料 / References

• ../_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）

变更记录 / Changelog

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