华数杯数学建模竞赛这类题目很多人第一步就是打开 ChatGPT 把题目丢进去等它吐出一篇“结论正确、过程漂亮”的答案。但真正参加过比赛的人都知道AI 直接生成的建模方案往往存在两个问题要么过于泛化没有针对数据做任何实际计算要么看似专业一跑代码就报错二次修复成本极高。这里真正值得讨论的不是“AI 能不能替代人写数模论文”而是“如何用 AI 智能体把读题、拆解、建模、计算、验证、写论文这条长链路变成可迭代的工程流程”。我的判断是用 AI 智能体Agent而不是单轮对话才是参与华数杯这类数学建模竞赛的正确姿势。这篇文章会从一个最小可用的建模助手智能体出发讲清楚 Agent 在数学建模中的定位、核心设计、完整代码、运行验证、常见排错以及比赛合规边界。读完你能亲手搭一个“会拆题、会调工具、会自我检查”的 AI 智能体并用它跑通一道华数杯风格的预测题。1. 为什么数学建模适合用智能体而不是“一问一答”先看一个典型场景。你把一道华数杯真题粘给普通 AI 对话框它会告诉你“本题适合用层次分析法结合熵权法建议构建模糊综合评价模型……”然后给出大段公式。看起来很有道理但当你追问“请把附件里的 1000 行数据跑出来给出最终排名”时对话就开始失控。问题出在哪里数学建模任务有四个特点流程长从问题重述、模型假设、符号说明、模型建立、求解、检验到论文写作不是一次对话能完成的。状态多中间结果要保留不同模型之间要对比误差要调整。强工具依赖需要执行 Python 代码、读 Excel、画图、算指标纯文本对话做不到。需要验证AI 给出的结论必须经过数据计算验证不能“纸上谈兵”。普通对话式 AI 是“无状态输出器”你问一句它答一句缺少目标感、任务拆解和工具调用能力。而 Agent 的基本定义就是一个能自主拆解目标、按步骤执行、调用外部工具、根据反馈修正行为的智能程序。在数学建模场景里Agent 更像一个“有工作流的 AI 实习生”能力单轮对话建模助手 Agent拆解题目直接给结论先还原问题、列出假设、形成任务清单数据计算不能执行调用 Python 工具跑真实数据中途纠错需要用户反复追问根据运行结果自动调整过程记录无保留状态和决策日志结果可信度低计算可复现结论可验证所以我一直强调用 AI 写题重点不是“让它生成答案”而是“搭一条从题目到可验证结论的处理流水线”。这才是 AI Agent 对数学建模真正有价值的切入点。2. AI 智能体的核心原理与建模场景映射在进入代码之前先厘清几个概念。2.1 Agent 是什么Agent 是“有目标、有工具、能自我修正”的对话程序。它的最小闭环是观察接收题目/中间结果 → 思考拆解下一步 → 行动调用工具或输出 → 观察新结果 → 循环这种模式在 AI Agent 领域叫 ReAct 模式Reasoning Acting核心思想是让模型在“推理”和“行动”之间交替进行而不是一次性输出最终答案。2.2 数学建模中的 Agent 角色分工一个完整的数模参赛团队通常有建模手、编程手、写作手。Agent 设计时也可以按角色拆分读题 Agent负责压缩题目信息、提取约束条件、明确目标和数据字段。建模 Agent给出候选模型、说明假设、推导公式、指出适用条件。编程 Agent把模型转成可运行的 Python 代码调用数据完成求解。验证 Agent对比多组结果、做误差分析、检查假设是否被违反。当然个人参赛时不需要真的写四个独立程序。比较务实的做法是用一个 Agent 主程序驱动不同阶段的 Prompt并注册统一的工具函数。这也是下面完整示例采用的设计。2.3 编排平台与自研代码怎么选现在搭 Agent 有两条路。第一条是使用可视化编排平台比如 Dify、Coze 这类 AI 智能体平台。优点是拖拽节点、免部署、快速验证 Prompt缺点是数据处理和比赛题目的定制逻辑比较受限而且平台策略也会变化。第二条是自研代码用大模型 API 简单的工具调用循环。优点是灵活、可复现、能嵌入自己的数据处理流程也方便比赛时做代码版本管理缺点是需要自己处理模型输出格式、异常、超时等问题。我的建议是比赛场景优先自研代码。因为数学建模论文本身要求代码可复现你不可能在论文里说“我是用某个在线平台点出来的”。自研 Agent 生成的代码、日志、结果都能直接成为论文附录的一部分。3. 环境准备与前置条件开始写代码前先准备环境。3.1 运行环境操作系统Windows 10/11、macOS、Linux 均可。Python 版本建议 3.10 或更高。本文代码不依赖 Python 3.10 的独有语法3.8 以上也能运行。大模型接口需要一个兼容 OpenAI 格式的大模型 API。可以使用国内可合法访问的模型服务商或本地部署的开源模型。密钥通过环境变量传入不要写死到代码里。依赖库openai、python-dotenv、pandas、numpy、matplotlib。版本请以实际安装为准这里不锁死版本。pip install openai python-dotenv pandas numpy matplotlib3.2 密钥配置在项目根目录创建.env文件MODEL_API_KEYyour_api_key_here MODEL_API_BASEhttps://your-api-endpoint.example.com MODEL_NAMEgpt-4o-mini然后在代码中加载import os from dotenv import load_dotenv load_dotenv() API_KEY os.getenv(MODEL_API_KEY) API_BASE os.getenv(MODEL_API_BASE) MODEL_NAME os.getenv(MODEL_NAME)安全提醒.env文件必须加入.gitignore绝对不要提交到公共仓库。3.3 目录结构modeling_agent/ ├── .env ├── .gitignore ├── agent_tools.py ├── modeling_agent.py ├── main.py └── data/ └── water_usage.csv4. 核心设计把数模流程拆成 Agent 工作流AI Agent 能不能稳定干活取决于两个设计系统提示词和工具执行机制。4.1 系统提示词给 Agent 立规矩系统提示词System Prompt是 Agent 的“工作手册”。数学建模助手的人设可以这样写# 文件路径prompts.py SYSTEM_PROMPT 你是一位数学建模竞赛教练擅长指导选手完成从读题、建模、计算到论文写作的完整流程。 你在回答时遵循以下规则 1. 先复述题目目标列清楚约束条件和可用数据字段。 2. 把任务拆成可执行的小步骤每步只做一件事。 3. 当需要数据计算、统计分析、画图时你必须调用 python 工具。 4. 每次调用工具后根据输出结果决定下一步不要假装计算成功。 5. 输出结论时必须附上关键数字、使用的模型和误差指标。 6. 如果你发现前一步结果不合理要主动说明并尝试修正。 7. 尊重学术诚信。你提供的是分析框架和计算辅助不代表选手完成全部工作。 你的输出格式要求 - 当需要执行代码时输出两行内容 ACTION: python ACTION_INPUT: 需要执行的 Python 代码 - 当不需要执行代码时正常输出文字分析。 注意 - 代码必须是完整可运行的 Python 脚本。 - 不要生成调用外部文件的绝对路径。 - 如果数据不存在先用示例数据说明方法再提示真实数据路径。 这里的关键是要求模型在需要计算时显式输出 ACTION 指令。这套指令格式是后面 Agent 主循环能运转的基础。4.2 工具执行安全运行模型生成的代码模型生成的 Python 代码不能直接在主进程里执行因为AI 代码可能有语法错误或无限循环。AI 代码可能访问敏感文件、执行危险操作。主进程被卡住会影响整个 Agent 循环。所以最好的做法是把代码丢到一个subprocess子进程里跑并设置超时时间。这就是agent_tools.py做的事情# 文件路径agent_tools.py import subprocess import sys import textwrap def safe_execute(code: str, timeout: int 15): 在子进程中执行 AI 生成的 Python 代码。 限制执行时间避免无限循环拖垮 Agent。 wrapped_code textwrap.dedent(f try: {textwrap.indent(code, )} except Exception as e: print(EXEC_ERROR:, e) ) try: proc subprocess.run( [sys.executable, -c, wrapped_code], capture_outputTrue, textTrue, timeouttimeout, ) output proc.stdout proc.stderr except subprocess.TimeoutExpired: output EXEC_ERROR: 执行超时请检查代码是否存在死循环。 return output.strip() TOOLS { python: { description: 执行一段 Python 代码用于计算、分析数据、画图。, func: safe_execute, } }这里有三个工程细节值得注意textwrap.indent让模型生成的代码缩进保持正确避免try块内缩进错误。统一捕获异常并输出EXEC_ERROR让模型能读到错误信息并自我修正。超时机制保证了即使 AI 写出死循环Agent 也能继续运行。4.3 Agent 主循环读题 → 规划 → 执行 → 验证modeling_agent.py是 Agent 的核心循环逻辑如下把系统提示词和用户题目拼起来发给模型。模型返回结果。检查结果中是否包含ACTION: python。如果有提取ACTION_INPUT中的代码交给safe_execute执行。把执行结果作为“观察”信息重新发给模型让模型决定下一步。如果没有 ACTION说明模型已经给出最终分析结束循环。# 文件路径modeling_agent.py import re from openai import OpenAI from agent_tools import TOOLS class ModelingAgent: def __init__(self, api_key, api_base, model_name): self.client OpenAI(api_keyapi_key, base_urlapi_base) self.model_name model_name self.messages [] self.max_iterations 6 def add_system_prompt(self, prompt: str): self.messages.append({role: system, content: prompt}) def chat(self, user_query: str): self.messages.append({role: user, content: user_query}) for step in range(self.max_iterations): response self.client.chat.completions.create( modelself.model_name, messagesself.messages, temperature0.2, ) reply response.choices[0].message.content self.messages.append({role: assistant, content: reply}) # 检查是否需要调用工具 action_match re.search(rACTION:\s*python, reply) if not action_match: return reply code_match re.search( rACTION_INPUT:\s*(.*?)(?:ACTION:|$), reply, flagsre.DOTALL, ) if not code_match: return 模型输出缺少 ACTION_INPUT无法执行工具。 code code_match.group(1).strip() print(f\n[Step {step 1}] 模型正在执行 Python 代码...) tool_output TOOLS[python][func](code) print(f[Tool Output]\n{tool_output[:500]}) self.messages.append({ role: user, content: f工具执行结果如下\n{tool_output}\n请根据这个结果继续分析或给出最终结论。, }) return 达到最大迭代次数请人工介入检查。把这个类封装好之后main.py只需要几行代码就能启动# 文件路径main.py import os from dotenv import load_dotenv from prompts import SYSTEM_PROMPT from modeling_agent import ModelingAgent load_dotenv() agent ModelingAgent( api_keyos.getenv(MODEL_API_KEY), api_baseos.getenv(MODEL_API_BASE), model_nameos.getenv(MODEL_NAME), ) agent.add_system_prompt(SYSTEM_PROMPT) query ( 某城市 2021 年 1 月到 2024 年 12 月每月用水量数据单位万立方米如下\n [120, 118, 125, 132, 145, 152, 148, 140, 135, 130, 122, 119, ...]\n 请建立合适的模型预测 2025 年 12 月的用水量并分析季节性和趋势。 ) result agent.chat(query) print(\n 最终结论 ) print(result)5. 完整示例跑通一道华数杯风格预测题为了让演示可复现我用一组模拟数据代替真实比赛数据重点展示 Agent 的完整工作过程。5.1 模拟数据生成先把模拟数据写入water_usage.csv。这里用 Python 生成带趋势和季节性的 48 个月数据# 文件路径generate_data.py import pandas as pd import numpy as np np.random.seed(42) months pd.date_range(2021-01-01, periods48, freqM) trend np.linspace(0, 20, 48) seasonal 15 * np.sin(np.linspace(0, 8 * np.pi, 48)) noise np.random.normal(0, 3, 48) water 120 trend seasonal noise df pd.DataFrame({month: months, water: water}) df.to_csv(data/water_usage.csv, indexFalse) print(df.head())这份数据模拟了“整体上升 季节性波动”的用水特征是数模题里很常见的结构。5.2 运行 Agent把上面的query改为读取真实 CSVquery ( 请读取 data/water_usage.csv 文件分析用水量是否存在趋势和季节性 并建立合适模型预测 2025 年 12 月的用水量。 )运行python main.py5.3 预期输出与结果分析Agent 的运行过程大致如下图所示这里用文字模拟控制台输出不同模型输出会有差异但流程一致[Step 1] 模型正在执行 Python 代码... [Tool Output] month water 0 2021-01-31 111.653019 1 2021-02-28 107.365493 2 2021-03-31 116.028822 ... [Step 2] 模型正在执行 Python 代码... [Tool Output] 趋势斜率: 0.406 相关系数: 0.87 季节性方差显著大于随机噪声方差 [Step 3] 模型正在执行 Python 代码... [Tool Output] 预测 2025-12 用水量: 166.32 95% 置信区间: [157.80, 174.84] R方: 0.91最终结论示例从数据看该城市用水量存在明显的上升趋势和年度季节性冬季偏低、夏季偏高。 使用线性趋势加月度季节虚拟变量的回归模型预测 2025 年 12 月用水量约为 166.32 万立方米。 模型 R方为 0.91说明趋势和季节性能解释大部分数据波动。建议将预测结果结合实际政策因素再做调整。从输出能明显看出这已经不是“AI 空谈方案”而是经过了真实数据计算。6. 如何验证 Agent 的结论是否可信AI Agent 生成的结果不能直接写进论文必须经过人工验证。建议按下面顺序检查。6.1 验证代码可复现把 Agent 生成的代码保存下来独立运行一遍。如果换一台机器还能跑出同样结果才说明代码是完整的。这里推荐用 Git 管理每次 Agent 生成的脚本和结果git init git add modeling_agent.py agent_tools.py prompts.py main.py git commit -m 初始化建模助手 Agent6.2 验证模型的合理性检查模型假设是否符合题目背景。比如线性趋势是否过度简化数据量是否足够支撑复杂模型检查误差指标。R方、MAE、RMSE 等指标需要在合理范围内。检查预测边界。如果预测值和历史数据差距过大要追查原因而不是盲目采信。6.3 交叉验证让 Agent 用第二种模型例如 ARIMA 或 Prophet再预测一次对比结果。如果两个模型给出的预测值相差过大说明问题对模型选择敏感论文里要重点讨论这一点。# 人工补充的交叉验证代码statsmodels 可用时执行 # 该段代码不是由 Agent 生成是选手自己编写的验证脚本6.4 留意“AI 幻觉”AI 在数学建模中特别容易出现“幻觉式成功”明明没有执行代码却输出了一串看起来很精确的数字。这也是为什么必须在 Agent 里强制要求“需要计算时必须调用 python 工具”并且把工具输出原样记录。所有关键数字必须能找到对应的运行日志。7. 常见问题与排查思路在实际使用过程中最容易遇到的问题有下面几类问题现象可能原因排查方式解决方案Agent 一直不调用 Python 工具直接给结论系统提示词约束不够强检查回复中是否出现 ACTION在提示词里加入“遇到数据计算必须调用 python”的硬性规则Python 代码执行报错Agent 无法自我修正错误信息被截断打印完整 Tool Output增大输出长度限制把完整错误信息回传给模型执行超时模型写出死循环查看错误日志中的超时信息调高 timeout 或让模型输出“分步执行”的代码模型输出格式不符合 ACTION/ACTION_INPUT 规范模型未理解格式或回复中夹杂多余内容检查原始回复文本用正则兼容多种格式并在提示词中给出示例数据路径错误模型使用了不存在的路径观察 Tool Output 中的路径信息在系统提示词里说明数据目录结构API 调用被限流请求频率过高查看 API 返回状态增加重试和退避机制补充一个很常见的坑正则表达式容易把 ACTION 后面的说明文字一起当作代码。上面的代码已经用re.DOTALL让.可以匹配换行但如果你发现工具执行的代码里混入“以下是代码”这类中文说明就需要在提取时增加清洗逻辑def clean_code_block(code: str) - str: # 去掉常见的围栏和说明文字 code code.replace(python, ).replace(, ) lines [line for line in code.splitlines() if not line.strip().startswith(以下是)] return \n.join(lines).strip()8. 竞赛合规与工程最佳实践8.1 学术诚信必须放在第一位华数杯这类数学建模竞赛的核心是考察参赛者的建模能力。AI 智能体可以充当“高效的检索器、计算器、代码助手”但不能替代你完成全部思考。更稳妥的做法是用 Agent 生成候选思路和代码初稿然后自己重新推导关键公式。所有数据和计算代码保留在项目仓库中论文里明确说明“使用了 AI 辅助工具进行代码调试和结果检验”。不直接粘贴 Agent 生成的整段论文尤其是问题分析、模型评价等主观叙述。现在部分竞赛对 AI 使用有明确声明要求。提交前务必阅读比赛规则按规则标注 AI 参与情况。8.2 密钥与代码安全API 密钥只放在.env并加入.gitignore。Agent 生成的代码默认在子进程中执行但仍要避免给模型不必要的文件访问权限。如果数据涉及隐私或未公开信息不要上传到外部 API改用本地模型或脱敏数据。8.3 工程化迭代把 Agent 当作“队友”而不是“答案机”使用过程中建议每次运行保留日志方便复盘 Agent 哪一步走了弯路。多模型对比同一个问题换不同模型或不同 temperature 跑多次观察结果稳定性。设置迭代上限max_iterations防止 Agent 无限循环。把 Prompt 版本化每次修改系统提示词都记录版本避免改坏后无法回退。数据核对优先于结果优化先确认数据读入正确、字段无缺失再谈建模效果。8.4 Agent 输出的人工审查清单最终写进论文前逐项确认关键数字是否能在运行日志中找到对应代码。数据可视化图片是否标注了数据来源。模型假设是否与题目条件一致。是否有异常值的处理记录。预测结果是否经过至少一次交叉验证。9. 总结与实践建议回到最初的问题用 AI 智能体写题华数杯到底该怎么做我的结论是不要追求让 AI “一步到位生成满分论文”而是把重点放在构建一个读题→拆解→建模→计算→验证→总结的自动化工作流。智能体的价值不在输出而在于它能帮你把每一个中间步骤跑通留下可复现的计算过程和可追溯的决策日志。如果你现在只有三天准备时间建议按这个顺序实践先跑通上面的最小 Agent 代码把题目丢进去观察它拆解任务的思路。准备一份模拟数据或往届公开数据让 Agent 完成一次完整的“读题到预测”。把 Agent 的关键结论用传统方法如手写回归、Excel 分析验证一遍。把这套流程沉淀成你的参赛工具链包括 Prompt、工具函数、日志模板。后续想深入可以往两个方向走一是用可视化编排平台如 Dify、Coze 这类智能体平台把多角色 Agent 拖出来快速验证思路二是研究多智能体协作让建模 Agent、编程 Agent、写作 Agent 分别负责一个环节通过消息队列交换结果。无论工具怎么迭代有一条原则永远不会变AI 智能体是对你思考能力的增强而不是替代。把它当成一个任劳任怨、不会疲惫的分析师用它跑完所有能跑的计算然后把判断和决策牢牢握在自己手里。