AI 辅助建模工作流

引言

数学建模竞赛是一场与时间赛跑的智力马拉松。在 72 小时内，参赛团队需要完成从问题理解到论文提交的全部流程——这对团队的知识储备、编程能力和协作效率提出了极高要求。AI 工具的出现，为参赛选手提供了一个强大的“第四队友“，能够在工作流的各个环节提供实质性帮助。

然而，AI 辅助建模并非简单地“把题目丢给 AI“。盲目依赖 AI 可能导致方向偏差、结果不可解释、甚至出现严重错误。真正高效的 AI 辅助建模，需要一套系统化的工作流框架——明确 AI 在每个阶段的角色定位、输入输出规范以及人机协作的边界。

本章提供一个端到端的 AI 辅助建模工作流总览。我们将介绍 7 个核心阶段的协作模式，并以一道 MCM/ICM 赛题为例，演示如何在竞赛中高效运用这套工作流。各阶段的深入技术细节将在后续子章节中展开。

本章目标

建立 AI 辅助建模的全局视野与阶段意识
明确每个阶段中人与 AI 的分工边界
掌握 72 小时竞赛中的时间分配策略
了解团队协作中 AI 工具的集成方式
识别常见陷阱并建立防范机制

工作流总览

七阶段框架

AI 辅助建模工作流包含以下 7 个核心阶段，形成一个从输入（赛题）到输出（论文）的完整链路：

┌─────────────────────────────────────────────────────────────────┐
│                    AI 辅助建模工作流全景                           │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  ┌──────────┐    ┌──────────┐    ┌──────────┐                  │
│  │ 阶段一   │───▶│ 阶段二   │───▶│ 阶段三   │                  │
│  │赛题解读与│    │数据探索与│    │模型选择与│                  │
│  │问题拆解  │    │  预处理  │    │方案设计  │                  │
│  └──────────┘    └──────────┘    └──────────┘                  │
│       │                               │                         │
│       │         ┌─────────────────────┘                         │
│       │         ▼                                               │
│       │    ┌──────────┐    ┌──────────┐    ┌──────────┐        │
│       │    │ 阶段四   │───▶│ 阶段五   │───▶│ 阶段六   │        │
│       │    │模型实现与│    │结果分析与│    │灵敏度分析│        │
│       │    │代码编写  │    │  可视化  │    │与模型验证│        │
│       │    └──────────┘    └──────────┘    └──────────┘        │
│       │                                        │                │
│       │         ┌──────────────────────────────┘                │
│       │         ▼                                               │
│       │    ┌──────────┐                                         │
│       └───▶│ 阶段七   │  ◀── 各阶段输出均汇入论文               │
│            │论文撰写与│                                         │
│            │  排版    │                                         │
│            └──────────┘                                         │
│                                                                 │
│  ── 反馈回路 ──                                                  │
│  阶段五/六的结果可能触发回到阶段三重新选择模型                      │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

时间分配总览（72 小时赛制）

阶段	时间分配	占比	关键产出
赛题解读与问题拆解	3-4 小时	5%	问题分解树、变量清单
数据探索与预处理	6-8 小时	10%	清洗后数据集、EDA 报告
模型选择与方案设计	4-6 小时	7%	方案对比矩阵、技术路线
模型实现与代码编写	16-20 小时	25%	可运行代码、中间结果
结果分析与可视化	8-10 小时	13%	图表集、结果解读
灵敏度分析与模型验证	6-8 小时	10%	验证报告、稳定性结论
论文撰写与排版	20-24 小时	30%	完整论文 PDF

注意：论文撰写并非集中在最后进行，而是贯穿整个过程。建议从阶段三开始即同步撰写论文框架。

AI 角色定义

在整个工作流中，AI 扮演三种不同角色：

助手（Assistant）：AI 提供建议和辅助，人类做最终决策。适用于需要创造性思维和领域判断的环节。
主导（Driver）：AI 承担主要执行工作，人类进行审查和修正。适用于编码、格式化等技术性工作。
审查者（Reviewer）：AI 对人类的工作进行检查和反馈。适用于查错、优化和质量控制。

阶段一：赛题解读与问题拆解

概述

赛题解读是整个建模过程的起点，也是最容易被低估的环节。一个准确的问题理解可以避免后续大量的返工。AI 在此阶段的核心价值在于：快速提取关键信息、识别隐含约束、生成多角度解读。

输入/输出

输入	输出
赛题原文（英文/中文）	问题分解树
竞赛背景信息	核心变量与约束清单
附带数据说明	关键假设列表
	初步建模方向（2-3 个）

AI 角色：助手

在赛题解读阶段，AI 是辅助理解的助手，但最终的问题界定必须由人类完成——AI 可能对评分标准理解不足，无法判断团队能力边界，也难以把握赛题的“弦外之音“。

推荐工具：Claude（长文本理解、英文翻译）、GPT-4（创意发散、头脑风暴）、Cursor（快速原型验证）

时间分配：3-4 小时

第 0-1h：通读赛题，AI 辅助翻译与关键词提取
第 1-2h：问题分解，AI 生成问题树初稿，团队讨论修正
第 2-3h：方向确定，AI 对比不同方向的优劣
第 3-4h：形成技术路线初稿，分配后续任务

实操要点

推荐“三遍阅读法“：第一遍让 AI 提取显式要求和约束条件；第二遍人工精读，关注评分偏好和问题间的逻辑递进；第三遍让 AI 从不同学科角度（物理、统计、运筹等）提出建模思路。

阶段二：数据探索与预处理

概述

数据是建模的基础。无论赛题是否提供数据集，都需要进行数据获取、清洗和探索性分析。AI 在此阶段可以极大加速 EDA（Exploratory Data Analysis）过程，自动生成统计摘要和初步可视化。

输入/输出

输入	输出
原始数据集（赛题提供/自行搜集）	清洗后的数据集
问题分解树（阶段一产出）	数据质量报告
变量清单	EDA 可视化（分布图、相关性矩阵）
	特征工程方案

AI 角色：主导

数据预处理是 AI 可以大幅主导的阶段——自动检测缺失值/异常值模式、生成 EDA 代码模板、建议数据变换方法。但人类需要审查：异常值是否真的“异常“、清洗是否丢失重要信息、特征工程方向是否与建模目标一致。

推荐工具：Claude + Code Interpreter（快速 EDA）、Cursor（交互式清洗）、GPT-4（自动可视化）

时间分配：6-8 小时

第 4-6h：数据加载、基本统计描述（AI 生成代码）
第 6-8h：缺失值/异常值处理（AI 建议方案，人工决策）
第 8-10h：特征工程（AI 生成候选特征，人工筛选）
第 10-12h：生成 EDA 报告（AI 自动汇总）

关键指标

在此阶段结束时，应当回答以下问题：

数据的完整度如何？缺失比例是否可接受？
变量之间是否存在多重共线性？相关系数矩阵中 \( |r| > 0.8 \) 的变量对有哪些？
数据分布是否满足后续模型的假设？例如正态性检验的 \( p \) 值
是否需要降维？若特征维度 \( p \) 远大于样本量 \( n \)，考虑 PCA 或特征选择

阶段三：模型选择与方案设计

概述

模型选择是建模过程中最需要“智慧“的环节。这不仅是选择一个算法，更是设计一套完整的解题方案。AI 在此阶段的价值在于：快速检索相关文献方法、对比不同模型的适用性、提供定量选择依据。

输入/输出

输入	输出
EDA 结论（阶段二产出）	模型方案对比矩阵
问题类型判定	技术路线图
数据特征（维度、分布、规模）	各子问题的模型映射
时间与能力约束	备选方案（Plan B）

AI 角色：助手 + 审查者

模型选择需要 AI 和人类的深度协作。AI 作为助手列举适用模型族及其优缺点，作为审查者评估人类方案的可行性。

推荐工具：Claude（深度方案论证）、GPT-4（创意模型组合）、Perplexity（文献检索）

时间分配：4-6 小时

第 12-14h：AI 生成候选模型清单，团队初筛
第 14-16h：方案对比论证，确定主方案和备选方案
第 16-18h：设计模型架构，确定参数估计方法

模型选择决策框架

对于问题类型与模型的映射，可以参考以下框架：

问题类型	推荐模型族	适用条件
预测/回归	线性回归、LASSO、随机森林	连续型因变量
分类	逻辑回归、SVM、XGBoost	离散型因变量
优化	线性规划、整数规划、启发式算法	有明确目标函数和约束
动态过程	微分方程、差分方程、时间序列	时间依赖的系统
网络/图	图论算法、网络流	关系型数据
评价/决策	AHP、TOPSIS、DEA	多准则决策

对于选定的模型，需要明确其数学形式。例如，若选择多元线性回归：

\[ Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \cdots + \beta_p X_p + \varepsilon \]

其中 \( \varepsilon \sim N(0, \sigma^2) \) 为随机误差项。AI 可以帮助检验这些假设是否与数据特征匹配。

阶段四：模型实现与代码编写

概述

模型实现是将数学方案转化为可执行代码的过程。这是 AI 辅助效果最显著的阶段——AI 可以将自然语言描述的算法直接转化为代码，极大缩短开发周期。

输入/输出

输入	输出
技术路线图（阶段三产出）	可运行的完整代码
清洗后数据集（阶段二产出）	模型参数估计结果
模型数学表达	中间计算结果
	代码文档

AI 角色：主导

代码编写是 AI 最适合主导的环节：AI 生成代码框架和核心算法，处理数据 I/O 等样板代码，辅助调试。人类负责逻辑审查、边界条件确认、结果合理性判断。

推荐工具：Cursor / Claude Code（主要编码）、Claude（算法设计与审查）、GitHub Copilot（代码补全）

时间分配：16-20 小时

第 18-22h：核心模型代码实现（AI 生成，人工审查）
第 22-28h：调试与优化（AI 辅助 debug）
第 28-34h：多模型对比实验（AI 批量运行）
第 34-38h：代码整理与文档（AI 自动生成注释）

代码质量要求

AI 生成的代码必须满足以下标准：

可复现性：设置随机种子，记录运行环境
模块化：函数化设计，便于修改和复用
可读性：变量命名清晰，关键步骤有注释
鲁棒性：包含异常处理，输入校验

典型的代码组织结构：

project/
├── data/              # 原始数据与处理后数据
├── src/
│   ├── preprocess.py  # 数据预处理
│   ├── model.py       # 模型实现
│   ├── evaluate.py    # 评估指标
│   └── visualize.py   # 可视化
├── results/           # 输出结果
└── main.py            # 主入口

AI 编码协作模式

推荐使用“描述-生成-审查-修正“的四步循环：

人类用自然语言描述需求（如“实现一个带 L1 正则化的线性回归“）
AI 生成代码
人类审查逻辑正确性和边界条件
AI 根据反馈修正

每次循环控制在 15-30 分钟内完成。

阶段五：结果分析与可视化

概述

模型运行产生的原始数字需要转化为有说服力的图表和结论。AI 可以快速生成出版级别的可视化，并辅助解读结果的统计意义和实际含义。

输入/输出

输入	输出
模型运行结果（阶段四产出）	出版级图表集
评估指标数据	结果解读文本
对比实验数据	模型对比表格
	关键发现摘要

AI 角色：主导 + 助手

主导：图表代码生成、格式美化、排版适配
助手：结果解读、统计显著性判断、异常结果分析

推荐工具：Claude + Matplotlib/Plotly（定制化图表）、Cursor（交互式图表调整）

时间分配：8-10 小时

第 38-42h：生成核心结果图表（AI 生成代码）
第 42-44h：图表美化与格式统一（AI 调整样式）
第 44-48h：结果解读与结论提炼（AI 辅助分析）

可视化规范

竞赛论文中的图表应满足：

分辨率不低于 300 DPI
字体大小适中，打印后清晰可读
配色方案统一，避免纯红绿配色（色盲不友好）
每张图都有编号和说明性标题
坐标轴标签完整，包含单位

AI 可以一次性设定全局样式参数，确保所有图表风格一致。例如设置 Matplotlib 全局参数，统一字体为 Times New Roman，字号为 12pt。

常用图表类型

目的	推荐图表	适用场景
展示趋势	折线图	时间序列、参数变化
对比差异	柱状图、箱线图	多模型/多组对比
展示分布	直方图、核密度图	数据分布特征
展示关系	散点图、热力图	相关性、聚类
展示比例	饼图、堆叠面积图	构成分析
展示空间	地图、等高线图	地理数据、三维关系

阶段六：灵敏度分析与模型验证

概述

模型验证是建模科学性的保证。灵敏度分析考察模型对参数变化的鲁棒性，交叉验证评估模型的泛化能力。AI 可以系统性地设计验证方案并自动化执行。

输入/输出

输入	输出
已建立的模型（阶段四产出）	灵敏度分析报告
模型参数及其取值范围	参数影响力排序
验证数据集	交叉验证结果
	模型稳定性结论

AI 角色：主导

灵敏度分析涉及大量重复性计算，非常适合 AI 主导——自动设计参数扰动方案、批量运行模型变体、计算灵敏度指标并生成对比图表。

推荐工具：Claude Code（参数扫描脚本）、Cursor（交互式实验）、Claude（方法论指导）

时间分配：6-8 小时

第 48-51h：设计灵敏度分析方案（AI 建议关键参数）
第 51-54h：执行参数扫描（AI 生成批量运行脚本）
第 54-56h：分析结果，生成稳定性结论（AI 辅助解读）

灵敏度分析方法

常用的灵敏度分析方法包括：

单因素灵敏度分析：固定其他参数，逐一变动每个参数 \( \pm 10%, \pm 20%, \pm 50% \)，观察输出变化。

灵敏度系数定义为：

\[ S_i = \frac{\partial Y / Y}{\partial X_i / X_i} \approx \frac{\Delta Y / Y}{\Delta X_i / X_i} \]

当 \( |S_i| > 1 \) 时，模型对参数 \( X_i \) 敏感。

多因素灵敏度分析：使用 Sobol 方法或 Morris 方法，考虑参数之间的交互效应。全局灵敏度指标（Total Sobol Index）定义为：

\[ S_{T_i} = 1 - \frac{V_{X_{\sim i}}(E_{X_i}(Y | X_{\sim i}))}{V(Y)} \]

AI 可以快速实现这些计算并生成 tornado 图或 spider plot 进行可视化。

阶段七：论文撰写与排版

概述

论文是竞赛成果的最终载体。评委只能通过论文了解团队的工作——再好的模型，如果表达不清晰，也无法获得高分。AI 在论文撰写中的角色是多方面的：结构设计、内容生成、语言润色、格式排版。

输入/输出

输入	输出
各阶段产出（模型、图表、结论）	完整论文（PDF）
论文模板	摘要（Summary Sheet）
评分标准	附录（代码、补充材料）

AI 角色：助手 + 主导

论文撰写中 AI 主导语法修正、格式排版和参考文献管理，作为助手提供结构建议和逻辑连贯性检查。

推荐工具：Claude（各章节撰写、逻辑检查）、GPT-4（MCM/ICM 英文润色）、Cursor（LaTeX 公式与排版）

时间分配：20-24 小时（贯穿全程）

第 16-18h：论文框架搭建（与阶段三同步）
第 38-42h：主体内容撰写（与阶段五同步）
第 56-64h：内容完善、图表插入、格式调整
第 64-70h：摘要撰写、全文润色
第 70-72h：最终检查、格式确认、提交

论文结构模板（MCM/ICM）

1. Summary / Abstract（摘要）——最后写
2. Introduction（引言/问题重述）
3. Assumptions and Justifications（假设）
4. Model Design（模型设计）
5. Model Solution（模型求解）
6. Results and Analysis（结果分析）
7. Sensitivity Analysis（灵敏度分析）
8. Strengths and Weaknesses（优缺点）
9. Conclusions（结论）
10. References（参考文献）
11. Appendix（附录）

AI 可以在每个部分提供写作框架和过渡句，确保论文逻辑流畅。

竞赛实战示例

案例背景

以 2024 年 MCM Problem C（网球运动中的动量分析）为例，演示 AI 辅助建模的完整工作流。

赛题要求：分析网球比赛中“动量“（momentum）的存在性，建立量化动量的模型，并探讨动量对比赛结果的影响。

阶段一实战：赛题解读

AI 辅助操作：将赛题输入 Claude，使用如下提示词：

“请分析这道数学建模赛题，提取：(1) 核心问题列表；(2) 所有显式和隐式约束；(3) 数据特征描述；(4) 可能的建模方向。”

AI 产出：

问题分解：定义动量 → 量化动量 → 验证存在性 → 预测比赛
关键变量：得分序列、发球数据、球员排名
建模方向建议：马尔可夫链、滑动窗口统计量、隐马尔可夫模型

团队决策：选择“滑动窗口 + 统计检验“作为主方案，“HMM“作为备选。

阶段二实战：数据探索

AI 辅助操作：让 AI 生成数据探索代码：

“给定网球逐分数据集（含列：player, set, game, point, serve_speed, winner），请生成 Python EDA 代码，包含：基本统计描述、得分趋势可视化、连续得分序列分析。”

关键发现（AI 辅助识别）：

连续得分（streaks）分布呈现厚尾特征
发球局和接发球局的得分模式显著不同
某些球员的连续得分序列长度显著高于随机期望

阶段三实战：模型选择

AI 辅助对比：请 AI 对三种方案进行定量对比：

指标	滑动窗口法	马尔可夫链	HMM
可解释性	高	中	低
数据需求	低	中	高
实现难度	低	中	高
创新性	低	中	高
综合评分	7/10	8/10	7/10

最终方案：主用马尔可夫链（平衡创新性与可行性），滑动窗口法作为验证。

阶段四实战：模型实现

核心模型：定义球员状态空间 \( S = \{s_1, s_2, \ldots, s_k\} \)，转移概率矩阵：

\[ P_{ij} = P(X_{t+1} = s_j \mid X_t = s_i) \]

动量定义为状态转移概率的非对称性：

\[ M_t = P(\text{win}_{t+1} \mid \text{win}t) - P(\text{win}{t+1} \mid \text{lose}_t) \]

当 \( M_t > 0 \) 且统计显著时，认为存在正向动量。

AI 生成代码：让 AI 实现转移概率估计和假设检验。人工审查重点：边界条件处理（比赛开始时无历史状态）。

阶段五实战：结果分析

AI 辅助制图：生成以下核心图表：

动量指标随比赛进程的变化曲线
不同球员的动量分布箱线图
动量与最终胜负的关联热力图

关键结论：约 65% 的比赛存在统计显著的动量效应（\( p < 0.05 \)），且动量效应在决胜盘更为明显。

阶段六实战：模型验证

AI 辅助验证：

参数灵敏度：滑动窗口大小从 3 变到 7 分时，结论不变
交叉验证：在训练集（80%）上估计参数，测试集（20%）预测准确率达 62%
对比验证：与简单随机模型（硬币抛掷）的显著性对比

阶段七实战：论文撰写

AI 辅助写作：

使用 Claude 生成论文各部分的初稿
GPT-4 进行英文润色和学术化表达
最后人工统一风格，确保逻辑连贯

摘要示例（AI 辅助生成后人工修改）：

We develop a Markov chain-based framework to quantify momentum in tennis matches. Our model defines momentum as the asymmetry in state transition probabilities…

团队协作中的 AI 分工策略

3人团队 + AI 的角色配置

在典型的三人建模团队中，AI 作为共享资源，由每位成员按需调用：

  建模手 ──────┐
               │
  编程手 ──────┼──▶ AI 工具（Claude / GPT / Cursor / Copilot）
               │
  写作手 ──────┘

各成员的 AI 使用重点

建模手（Model Builder）：

使用 AI 进行文献检索和方法对比
让 AI 推导公式、验证数学表达
用 AI 检查模型假设的合理性
重点使用：Claude（长上下文推理）

编程手（Programmer）：

使用 AI 生成和调试代码
让 AI 优化算法效率
用 AI 处理数据清洗的样板代码
重点使用：Cursor / Claude Code

写作手（Writer）：

使用 AI 辅助英文写作和润色
让 AI 生成图表和格式化内容
用 AI 检查逻辑连贯性和语法
重点使用：Claude + GPT-4

协作时间线

时间段	建模手	编程手	写作手
0-4h	审题、建模方向（AI辅助）	环境搭建、数据加载	论文模板准备
4-12h	数学建模（AI验证）	EDA、预处理（AI生成代码）	问题重述、假设
12-18h	方案设计（AI对比）	核心代码开发（AI主导）	模型描述初稿
18-38h	结果分析（AI辅助）	调试+实验（AI辅助）	主体内容撰写
38-56h	灵敏度设计	验证代码（AI主导）	结果部分写作
56-72h	全文审查	代码整理	润色+提交（AI润色）