赛题文档自动解析与模型选型

Resolve <SKILL_ROOT> to the parent directory of this loaded skill folder, using its actual absolute path. Run commands from the contest project root, never from the installed skill directory. The placeholder is not a shell environment variable.

全局流程协作约束（长对话防漂移）

• 本 skill 不得作为孤立入口。用户要求完整论文、生成 Word、继续流程或不确定阶段时，先回到 paper-workflow-orchestrator 判断当前 S0-S8 阶段。
• 启动或继续本 skill 的正式任务前，必须运行：

  python "<SKILL_ROOT>/paper-workflow-orchestrator/scripts/workflow_guard.py" --skill problem-doc-model-selector
  

• 如果输出 [WORKFLOW FAIL] 或报告 status != "PASS"，停止本 skill，按 paper_output/qa/workflow_guard_report.json 的失败项回补前置阶段，不得凭记忆继续。
• 本 skill 只写入自己契约范围内的 paper_output/ 产物；完成后必须回到 paper-workflow-orchestrator 判断下一步，并用 context-memory-keeper 记录已完成产物、阻塞项和下一步。
• 长对话中如果上下文变长、阶段不确定或用户分开调用 skill，先运行：

  python "<SKILL_ROOT>/paper-workflow-orchestrator/scripts/workflow_guard.py" --status
  

  再读取 paper_output/qa/workflow_guard_report.json、paper_output/preflight_report.json、paper_output/input_manifest.json、paper_output/results/run_manifest.json 和本 skill 的上游 JSON 契约，按报告里的 recommended_skill 与 next_action 继续。
• 继续流程前，必须把 paper_output/context/workflow_memory.json 视为长期断点记录；若其中的 current_step、next_step、recommended_skill 与 workflow_guard.py --status 不一致，以 guard 报告为准。
• 每次完成本 skill 的产物后，先回到 paper-workflow-orchestrator 或运行 workflow_guard.py --status，再更新 workflow memory：

  python "<SKILL_ROOT>/context-memory-keeper/scripts/update_workflow_memory.py"
  

  更新后读取 paper_output/context/workflow_memory.json / .md，确认下一步和推荐 skill 已记录。

执行契约

• 上游输入：problem_files/ 中的赛题 PDF/Word/TXT 和附件数据。
• 必须输出：paper_output/step1/problem_analysis.json，以及 A_题意对齐.md、B_论文大纲.md、C_评分点对齐表.md、D_模型路线.json。
• 下游交接：modeling-paper-rubric-and-model-selector 读取 problem_analysis.json 生成模型路线；完整 workflow 由 paper-workflow-orchestrator 串联。
• 推荐下一步：完成题意分析后进入 modeling-paper-rubric-and-model-selector；如果用户目标是完整论文，回到 paper-workflow-orchestrator 判断后续阶段。
• 失败回退：若 problem_files/ 为空，应停止并提示补齐赛题；若部分文档无法解析，保留可解析内容并在输出中记录字段画像缺失。

目标

• 输入赛题 PDF/Word 文档或题面文本，自动抽取“每一问”的任务类型、数据条件与约束，并输出贴题的模型选型与验证路线。
• 生成评分友好型交付：一页纸题意对齐、论文大纲、评分点对齐表、模型路线（基线/改进/验证/风险）。

阶段流转

• 解析完成后，不要停留在“是否满意”的泛泛询问；应说明已生成的题意契约，并给出下一推荐阶段。
• 若用户意图是完整论文，在输出 A/B/C/D 后回到 paper-workflow-orchestrator，由总入口决定继续生成模型路线、数据计划、QA 和正文。
• 拒绝偷懒: 必须输出完整的 A/B/C/D 四部分，不得省略。

适用时机

• 用户提供赛题 PDF/Word 或题面文本，需要快速判断各问应采用的模型/方法并制定实验验证计划时。
• 对题意理解不确定、模型路线拿不准或需要论文结构与评分点对齐建议时。

输入

• 赛题文档路径或题面全文（支持 PDF、DOCX、TXT）。
• 可选：附件数据文件路径、你希望强调的亮点或限制。

输出

• A 一页纸题意对齐：逐问给出输入/输出、评价指标、关键约束、可验证方式。
• B 论文大纲：摘要、问题重述、假设、符号、数据说明、模型、求解、结果、检验、结论、不足、参考。
• C 评分点对齐表：评分点 → 证据形式（图表/实验/检验）→ 论文位置。
• D 模型选型与路线：每问的任务类型、最小可用基线、改进路线、验证计划、风险与备选。
• E 数据需求配置 (可选)：若发现题目需要外部数据（如人口、气象、经济数据），自动生成或更新根目录下的 data_requirements.json，以便 authoritative-data-harvester 自动获取。
• 机器可读契约：paper_output/step1/problem_analysis.json，包含 documents、data_files、questions、recommended_models、validation_plan、figure_suggestions 等字段，供模型路线、证据审计、正式写作和总编排器继续读取。

目录约定（与项目全局对齐）

• 赛题与附件统一放在 problem_files/。
• 建议把本技能的四类输出归档到 paper_output/step1/（例如 paper_output/step1/A_题意对齐.md 等），便于后续技能引用。
• 同步生成 paper_output/step1/D_模型路线.json，用于保留每一问的模型路线、验证方式和建议图表。

脚本入口（推荐）

本 skill 已内置结构化分析脚本：

python "<SKILL_ROOT>/problem-doc-model-selector/scripts/analyze_problem.py"

该脚本会扫描 problem_files/，读取 TXT/Markdown/DOCX/PDF 赛题文本，并对 CSV/XLSX/XLS 附件做轻量字段画像。成功后会写入 paper_output/step1/problem_analysis.json，后续模型路线、证据门禁和正式 outline 均以它为上游契约。

题面提取复核

• 脚本只生成候选分析，不保证公式、单位和每个子问题已完整读取。无可靠问题标题时不能把兜底 Q1 当作完整分问。
• extraction_status=NEEDS_REVIEW 时，Agent 必须查看原始 PDF 页面或 Word 渲染，核对 review_requirements，修正 questions、约束、符号和单位，并同步 A/B/C/D。尤其检查 OLE 公式中的正负号、上下标和图片表格。
• 实际完成核对后记录复核（不是新增用户确认点）：

  python "<SKILL_ROOT>/problem-doc-model-selector/scripts/review_problem.py" --project-root "<赛题目录>" --reviewer agent --note "填写实际核对与修正内容" --confirm
  

• 未复核或源文件变化时 S1、路线生成与 S6 阻塞。复核记录绑定原文哈希和当前分析，改题意后需要重新核对；无法读取原件就报告阻塞，不得空签复核。

前后衔接

• 后续通常先做：data-cleaning-and-visualization（数据清洗与可视化）。
• 若要继续到论文草稿：回到 paper-workflow-orchestrator。

约束（必须遵守）

• Memory Interaction (必做):
  • 开始前，检查 memoryskill.md 中是否有外部文献/数据索引（如 g-sci 提供的参考文献），将其纳入模型选型依据。
  • 完成解析后，必须调用 context-memory-keeper，将“核心任务类型”、“数据条件”与“模型选型结论”更新到 memoryskill.md 的 Short-term Workbench 中。这是后续产文技能获取上下文的关键。
• 外部数据检查 (必做):
  • 若解析发现题目依赖外部公开数据（如“搜集相关数据”、“附件数据不足”），必须生成 data_requirements.json 并写入根目录。
  • 配置内容应包含明确的 url（若已知）或 manual_search 提示，并将 active 设为 true。
• 本技能输出的题意对齐与模型路线，必须能被后续写作定位引用；建议固定归档到 paper_output/step1/。
• 若用户目标是“最终论文可提交”，本技能完成后不得直接进入产文阶段，必须先保证数据口径可用：进入 data-cleaning-and-visualization 或补充 authoritative-data-harvester。
• 若用户不想分步推进，必须回到 paper-workflow-orchestrator 执行完整 workflow，避免“解析完成但未生成正文”的断档。

工作流程

1. 文档读取
   • PDF：优先 PyMuPDF，否则 pdfplumber；保留图表标题与小节编号。
   • Word：python-docx；保留段落与表格结构。
   • 清理：去页眉页脚、合并断行、标准化单位（cm⁻¹、% 等）。
2. 题意解析
   • 规则抽取“问题1/问题2/问题3…”与“附件说明/单位/关键参数”。
   • 识别任务类型：预测/分类/评价/优化/聚类/仿真/机理建模。
   • 提取约束与边界：入射角、层次关系、单位口径、可行域。
3. 数据条件解析
   • 附件文件名与字段：列名、单位、样本量、范围、缺失值比例。
   • 结果口径：需要反射率、厚度、误差、排名或资源分配等。
4. 模型选型引擎（规则优先，结合提示式决策）
   • 预测类：移动平均/指数平滑/回归/ARIMA → 树模型/LSTM。
   • 分类类：逻辑回归/朴素贝叶斯 → 随机森林/梯度提升，不平衡用代价敏感。
   • 评价与排序：规范化+加权和 → 熵权/CRITIC/AHP/TOPSIS/VIKOR。
   • 优化与调度：线性/整数规划 → 多目标与启发式（遗传/退火）。
   • 聚类：K-means/层次 → GMM/DBSCAN（噪声与非凸形状）。
   • 机理/仿真：微分/差分/系统动力学；与数据驱动对照。
   • 物理/工程建模：根据领域知识建立方程（如热传导、流体力学、电路分析、光学传播），利用最小二乘或优化算法进行参数反演与模型修正。
5. 验证与鲁棒性
   • 指标：RMSE/MAE/AUC/F1/MAPE/轮廓系数/约束满足率。
   • 交叉验证/滚动回测/留出法；消融实验与敏感性分析。
   • 极端/边界情景与单位口径一致性检查。

判别逻辑速查

• 出现“预测/估计未来/趋势/参数估计”→ 预测类。
• 出现“分类/是否/风险等级/识别”→ 分类类。
• 出现“综合评价/排序/权重/打分”→ 评价与排序。
• 出现“资源分配/路径/选址/成本最小/收益最大”→ 优化与调度。
• 出现“分群/画像/相似性/模式发现”→ 聚类。
• 出现“机理/仿真/动力学/微分方程”→ 机理/仿真。
• 出现“物理过程/化学反应/信号传输/力学结构”→ 物理/工程建模。

输出模板

• A 题意对齐：逐问输入、输出、指标、约束、验证。
• B 大纲：按评分友好顺序列出章节与小节。
• C 评分对齐：评分点与证据映射表。
• D 模型路线：任务类型/基线/改进/验证/风险与备选。

使用示例

• 输入：赛题文件路径（如 problem_files/赛题.pdf）或题面文本全文。
• 行为：读取文档→抽取每问→识别任务类型与数据条件→输出 A/B/C/D 四类结果与建议模型。
• 自动建议：
  • 基线：选择最简单的经典模型（如线性回归、K-means、最短路算法）。
  • 改进：针对基线不足（如非线性、噪声、多目标）引入的高阶模型（如XGBoost、改进遗传算法、混合模型）。
  • 验证：指标计算、残差分析、交叉验证、灵敏度分析。

防跑偏检查

• 每问必须给出可量化输出与可验证指标。
• 符号与单位统一，指标口径一致。
• 至少一个基线对照与改进证据（提升或更合理）。
• 结论与图表逐问对应，不“做很多但没回答问题”。

何时不要用本技能

• 已经明确只需实现某个具体算法或改动单一代码片段时（直接实现更快）。