Praxis 是面向通用数学建模的 Agent 插件：一个入口协调专业技能，可直接调用数学工具，并带着证据工作流。它帮助个人或团队从问题和数据出发，完成模型、核验和报告；也可以只用于数据分析、统计推断、审查假设与模型、验证结果或改进论文。
研究、课程、竞赛和实际决策共用这套流程：定义目标与数据，比较结构不同的路线，建立可解释的基线，再用独立答案和边界检查决定能下多强的结论。陌生或开放问题可以从猜想、反例和精确检查开始。
你可以整题推进，也可以只调用一项专业能力。下面的案例提供完整论文、结果和复现入口；技能表说明每个模块适合什么请求，工具表对应实际可调用的方法。
| 完成优先 先形成基线和完整稿，再按剩余预算改善。 |
证据贯穿 任务、结果、独立检查和论文位置相互对应。 |
按团队适配 根据实际人数、能力和可用时间安排责任与交接。 |
国赛与美赛是展示完整流程的两个 Demo，代表不同的问题类型，项目能力不以这两项赛事为边界。两份案例都按完整交付标准组织：从题目分析、模型与验证，到论文和复现材料；你可以从更感兴趣的问题进入。
| 国赛 · 投资的收益和风险 1998 CUMCM A |
美赛 · A Hot Bath 2016 MCM A |
 |
 |
| 费用门槛怎样改变最优投资？ 分段费用与风险约束进入同一个模型，通过费用分区穷举和解析上界核验方案。 |
平均水温够高，远处的水也够暖吗？ 从可证明的完混基线进入三维热网络，比较补水策略、空间温差与能量下界。 |
| 35 页中文报告 · 六个目标的最优性证书 资金 100 万元时，四资产风险上限 1% 下的净收益率为 21.90%；十五资产风险上限 10% 下为 33.53%。 |
28 页英文报告 · 热量与空间输运 30 分钟基准情景中，最佳恒定流量补水 24.14 L，带余量的六段方案 21.48 L（少约 11%），理想完混 16.01 L，能量下界 15.41 L。系数由教材关联式推导，并给出取值范围。 |
| 论文 PDF + 支撑材料 ZIP 完整代码与复现证据在案例页开放。 |
一份论文 PDF 复现代码与证据单独开放，论文内附一页使用者说明及 AI 披露。 |
| 查看完整国赛 Demo → 阅读论文 · 复现计算 |
查看完整美赛 Demo → 阅读论文 · 复现计算 |
更多案例 → 数据分析、空间覆盖、图像测量、数学研究及次要美赛论文集中在案例总览。
论文由共享版式源生成：国赛、美赛分别适配，数学研究稿使用 AMS 风格模板。固定编译环境、样式漂移检查和三系统排版 CI 用来维持一致；新美赛稿明确使用原题年份，摘要采用三栏信息；正文与目录可按需要使用三级标题。冻结案例保留原版式，迁移另存修订。章节与图按论证需要选择，最终仍检查实际 PDF。图由有效数据生成，使用 PGFplots/TikZ 矢量绘制，复杂数值场可按需求使用成熟科学绘图库。
美赛案例已统一为当前 A4 共享模板：普通正文与图表文字 12pt，摘要及标题后首段缩进 2em，AI 报告独立起页。新交付必须通过构建、实际字号、逐页审阅及冻结门禁；旧冻结稿保留原身份，当前案例入口提供格式修订阅读版。美赛精选作品另列在次要案例中，未校准 AI 评议不等于正式获奖。
安装完整插件：专业技能 + 数学工具 + 证据工作流。 可从 最新 Release 下载对应宿主包并核对校验和，也可从源码导出当前能力：
git clone https://github.com/WJSGZZ/praxis.git
cd praxis
uv run --locked python -m scripts.build_plugin --host codex --output ../praxis-dist/codex/praxis将 codex 换为下表中的目标，输出到新的目录，再按对应指南安装：
| Agent | 导出目标 | 安装入口 |
|---|---|---|
| Codex | codex |
本地 marketplace → 安装插件 |
| Claude Code | claude |
插件 marketplace |
| Gemini CLI | gemini |
原生扩展 |
| GitHub Copilot CLI | copilot |
本地插件安装 |
| Cursor | cursor |
本地插件目录 |
查看完整安装指南 → 只需要方法指导？也可以仅安装技能。
脚本和工具需要 Python 3.12、uv 和宿主的本地文件／终端能力：
uv sync --project /path/to/plugin/skills/praxis --locked路径替换为实际安装包中的 skills/praxis；只安装技能时使用仓库目录。仅使用分析方法无需准备环境。
使用当前源码导出的插件时，可让助手调用 runtime_info 排查环境，查看当前进程的 Python、资源位置、已安装依赖及包内文件校验。工具服务尚未启动时，用 Python 直接运行包内 scripts/runtime_info.py；这项只读诊断不安装依赖，也不读取你的题目和数据。文件匹配与依赖齐全仍需同实际工具调用分别验证。
重载或重新开始会话，确认宿主加载了 Praxis，然后提出任务：
使用 Praxis 分析这道题和这些数据，选择合适的路线，推进模型实现、独立验证与报告。
也可以从一个明确的小任务开始：
审查我的模型：哪些假设没有依据，哪些结论还缺验证？
我们有三个人，请根据成员能力和可用时间安排任务，先完成一份完整报告。
技能目录保存可复用能力，你的工作区保存题目、数据、案例和论文。 程序负责执行与追溯，助手负责题意、选择和科学判断。
参赛前核对当届赛事的AI使用与提交要求，并如实披露实际工具和用途，见赛事交付。运行助手编写或外来Python代码前审查内容；权限与隔离边界见 SECURITY.md。
一个入口协调整题，专业技能处理各自的请求。只想做一件事时，直接调用对应技能，不必走完整流程；专业分析复用 Pandas、SciPy、Statsmodels、scikit-learn 等成熟库。
| 技能 | 适合的请求 | 内容 |
|---|---|---|
praxis |
“把这道题做完” | 统一主线、任务记录、团队与限时协调、环节交接 |
praxis-model |
“这题怎么做？参数怎么定？” | 读题与定义、假设和参数依据、路线与模型选择、可辨识性与优化结构 |
praxis-data-analysis |
“分析这几张表，看看数据能说明什么” | 数据质量、观测单位、缺失与覆盖、关联基数、分母和探索结果 |
praxis-spatial-analysis |
“点位怎么匹配，距离和覆盖约束靠谱吗” | 坐标与单位、空间关系、栅格对齐、覆盖边和局部可达；按需复用成熟GIS库 |
praxis-image-analysis |
“图像如何变成测量？阈值、连接和标注可信吗？” | 图像观测单位、ROI与尺度、掩码与连接测量、源家族分割、误差与语义验证 |
praxis-statistics |
“差异有多大？重复测量应该怎样检验？” | 估计对象、区间和效应、配对与聚类、多重比较及统计条件 |
praxis-text-analysis |
“评论主要谈什么？文本特征可信吗？” | 语料与标注、特征、抽查与语义误差、训练和留出边界 |
praxis-time-series |
“预测未来几期，和简单基线比一比” | 时间与实体、可用信息、预测跨度、滚动验证与误差 |
praxis-causal-analysis |
“改变这个因素会改善结果吗？” | 干预问题、识别依据、混杂与替代解释、可回答的效应范围 |
praxis-compute |
“跑一下，保存可复现的结果” | CSV／Excel 审计、原件保全、模型与验证器执行、过期检测、证据索引 |
praxis-verify |
“结果可信吗？结论说过头了吗？” | 独立检查、界与最优性、敏感性、证据与结论强度审查 |
praxis-review |
“整篇到什么水平？该改哪里？” | 竞赛／研究分类作品评审、主要答案与证据、奖项参考或研究价值、修改优先级 |
praxis-explore |
“这题属于什么类型”“还有没有别的路”“没有标准答案怎么办” | 结构发现、路径搜索与淘汰、实验数学、经验沉淀；route_graph 与结构探测工具 |
praxis-dialogue |
“给我讲讲这个模型”“我觉得哪里不对” | 解释模型，把直觉转成检查，复盘结果并保留真实参与记录 |
praxis-visualization |
“做科研图，检查图例、单位和最终字体” | 选图、由有效数组生成、区间与分母、实际图形及图例对应 |
praxis-report |
“写论文、改摘要、查 PDF” | 中英文语言优化、论文与图表、引用及 AI 披露、PDF 检查与交付 |
praxis-assumptions |
“假设合理吗、补理由、查隐含前提” | 前提性质与依据、实际用途、失效影响及检查设计 |
praxis-scientific-writing |
“改论证、解释公式，让文章更像论文” | 问题与贡献、段落联系、公式含义、作者选择、结果讨论 |
praxis-literature-review |
“找依据，比较已有方法和我们的贡献” | 第一手检索、实际阅读、证据提取、方法比较与引用边界 |
praxis-optimization |
“选择最优方案，能保证多强的最优性？” | 可行域、目标、求解结构、界与间隙、多目标权衡 |
praxis-dynamical-modeling |
“建立动态机制，检查守恒和数值解” | 状态与通量、单位、初边值、平衡、辨识与离散误差 |
praxis-uncertainty-analysis |
“参数不确定会如何影响结果和决策？” | 不确定来源、联合依赖、传播、敏感性、风险与稳健决策 |
praxis-machine-learning |
“这个预测模型真的优于基线吗？” | 预测契约、按主体分割、折内预处理、基线与留出评价 |
praxis-experimental-design |
“怎样收集有用数据，样本量应该怎么算？” | 实验单位、分配、随机化、重复与功效、观测和验证设计 |
这些技能共用 统一方法 和同一份任务记录。主技能按目标、用途与届次选择专业模块，比赛特有规则按档案加载；能力之间的交接见 能力分工。
社会与现实问题、研究、课程和比赛共用建模核心。参赛时，再分别核验该届赛事与学校／赛区要求，配置人数、交付语言、格式、附件、AI 披露和截止时间。
规则按“赛事—赛项—届次”查询赛事档案，包括国赛 2026 的 AI 使用细则和研究生赛 2026 的格式、提交及答辩要求；具体交付时再按该届规则检查。
开始时先确认交付目标（竞赛有截止、先做透再收敛、研究、教学）：内部按科研标准做透并设停止规则，再把证据收敛成评委读得懂的论文，做法见深度工作与竞赛收敛；交稿前有独立评审协议。
完整竞赛稿的评议给奖项参考档次及原因；研究稿分别评价证明、新颖性、重要性、方法、表达与可核查性，说明当前作品类型和主要差距。两类评议都绑定稿件版本及实际检查范围，约定见作品评测；不是获奖保证或期刊认证。
单人限时任务默认只给用户一个当前事项，边取得结果边写报告；多人任务按能力和依赖安排主责与复核。通用项目不套用赛事规则。
本表对应当前源码。asof_join、runtime_info、版本补货案例及本轮数值与交付修复为未发布增量，正式0.8.0安装包尚不包含；版本记录见 CHANGELOG。
praxis-tools 把常用方法做成可直接调用的计算工具，输入输出都是 JSON；没有 MCP 的宿主可从实际包目录用 uv run --locked --directory /path/to/plugin/skills/praxis python -m scripts.mcp_server --call 工具名 '参数' 调用。哪类问题有现成工具、没有时怎么办，见能力覆盖地图。数值工具用独立推导的闭式解、解析界和小规模穷举答案做回归；输入保护与失败恢复另行检查。
| 类别 | 工具 |
|---|---|
| 规划与网络 | solve_lp（数值原始—对偶检查）、solve_milp（求解器界与核验间隙）、solve_assignment、solve_tsp（附下界）、knapsack（精确）、shortest_path、max_flow（附最小割）、min_cost_flow、minimum_spanning_tree |
| 非线性与稳健优化 | minimize_nlp（多起点，区分收敛候选与失败可行点）、robust_lp（预算型稳健，给出稳健的代价）、solve_mdp（有限期有理 DP 或折现数值迭代） |
| 回归、检验与统计 | ols_report（常规或显式按组的区间与诊断）、adjust_pvalues（Holm、BH、BY、Bonferroni及比较族声明）、compare_models（对基线的交叉验证比较）、cross_validate_predictor（Ridge／二分类、留组与折内填补）、hypothesis_test（含效应量与假设提示）、bootstrap_ci、arima_forecast、pca_report、cluster_report（含稳定性）、calibrate_curve（可辨识性与留出） |
| 评价与权重 | ahp_weights（一致性比）、entropy_weights、evaluate_alternatives（TOPSIS 与权重稳定性） |
| 预测与动态 | backtest_baselines（滚动起点基线）、gm11_forecast、sir_simulate、sir_fit（报可辨识性）、queue_mmc、equilibria（平衡点与稳定性）、kalman_filter、solve_ode（紧容差复算）、solve_diffusion（有限体积，附能量收支）、solve_layered_diffusion 与独立的 layered_diffusion_laplace、grid_convergence_index |
| 决策与风险 | markov_stationary、markov_absorption、matrix_game、bimatrix_nash、eoq、newsvendor、cvar_portfolio（情景下最小 CVaR）、pareto_front |
| 结构与探索 | probe_structure（凸、单调、对称、幂律、守恒量）、dimensional_analysis（量纲分析）、check_total_unimodularity、route_graph（路线记录）、test_conjecture、find_counterexample、guess_sequence、check_recurrence（带已知阶数前提的有限核验）、find_relation、route_to_lesson、lesson_add、lesson_search |
| 图像测量 | binary_components（给定二维二值掩码的连接区域、像素面积、边界框与质心；物理尺度须显式提供） |
| 不确定性 | sobol_sensitivity、sobol_convergence、monte_carlo（附收敛检查） |
| 数据与文献（均免费） | audit_data（原始表头、解析与数据质量）、audit_join（关联基数、空键、未匹配与扩张上界）、asof_join（决策截点前的版本索引与未决项）、search_literature（OpenAlex，附免费全文链接）、find_open_access（Unpaywall）、check_references（对照 Crossref 核对 DOI、题名与年份） |
| 环境诊断 | runtime_info（只读进程、依赖、资源及导出收据检查；不替代实际调用或宿主重载） |
通用、Codex、Claude 和 Copilot 安装包还接入开源的 arXiv 服务（Apache-2.0，固定版本），可读预印本全文和 LaTeX 分节、导出 BibTeX。付费期刊论文由工具找合法的免费版本，其余可通过学校图书馆或知网获取。
每种方法什么时候用、必须做哪些检查、常见误用，见 方法与工具库。现有工具之外的方法由专业技能选择相应科学库，并沿同一证据流程实现和核验。
数值违例先作为候选，支持的有理算术反例另做精确核验；拟合诊断未定义时给出原因，博弈枚举说明完整性边界。结果与执行限制见工具结果契约，不会把运行成功当作数学保证。
同一套建模方法，按宿主生成对应插件或扩展。专业技能与核心计算代码共用，安装清单和路径变量由导出器适配；不必为不同 Agent 维护不同的建模流程。
推荐从完整插件安装开始；仅支持技能的环境仍可使用 Agent Skills 入口。桌面与 CLI 的本地安装不会自动配置网页会话、云端 Agent 或远程机器。
宿主能力、技能目录、官方依据与实际验证范围见 兼容说明。
命令行：在独立工作区建立案例
以下命令以 POSIX shell 为例，路径需替换为实际位置：
BUNDLE="$HOME/.agents/skills/praxis"
WORKSPACE="/absolute/path/to/your/project"
uv run --locked --project "$BUNDLE" python "$BUNDLE/scripts/pipeline.py" \
--workspace "$WORKSPACE" init \
--name example \
--problem "$WORKSPACE/problem.pdf" \
--data "$WORKSPACE/data.csv"助手在案例中写好并审核 model.py 和 validate.py，再执行 run。数据、案例与输出默认不进入 Git，项目规则由工作区提供。
完整接口见 执行契约。多轮任务可使用任务协调：开始时检索本工作区的相关经验，随后给出一个当前行动，将预算、最新证据、审阅和报告连接在同一份接续记录里。失败与过期结果会阻断交付；已经能交稿，也可明确选择继续改善。模型选择和科学审阅仍由助手完成。
交付后如需复盘问题，可使用运行反馈：记录实际阶段、评审、修订和停止原因，按明确清单生成本地分享副本。目录与 ZIP 共用只读检查，不自动上传；模型身份、费用和聊天记录拿不到时保留未知。反馈包帮助定位问题，不能代替研究正确性或完整交付的验收。
插件包的结构
导出目录按 Agent Plugins 1.0 组织，这一版规范包含的两类组件都有：
praxis-plugin/
plugin.json
mcp.json # 核心工具与适用的外部服务
.codex-plugin/ # Codex 兼容入口
# 其他宿主由 --host 生成对应清单
skills/
praxis/ # 入口技能，带全部参考、脚本与工具代码
praxis-model/ # 专业入口示例：问题定义与模型设计
praxis-verify/ # 专业入口示例：独立核验
praxis-*/ # 其余专业入口；完整职责见上方技能表
用户的题目、数据与案例继续保存在你的工作区，不进入插件。
| 组成 | 职责 | 连接方式 |
|---|---|---|
| 技能 | 理解问题、选择方法、判断证据、组织报告 | 共享一条建模主线，按请求调用 |
| MCP 与脚本 | 执行计算、检查数据、核对文献 | 同一组数学工具，支持 MCP 或命令行 |
| 证据工作流 | 保存任务、运行、检查与报告之间的对应关系 | 结果失效时回到相关环节重算 |
工作流由助手和确定性脚本共同推进，沿用用户工作区的规则；不是需要另外安装的一套调度服务。
- 持续集成 验证解析答案、输入保护、失败与过期结果、PDF辅助、数学工具与插件导出；以具体运行的通过、失败及跳过记录为准。
- 两份完整案例都带独立检查与可运行的复现代码，数字可对回报告。
- 每个结论标明依据与适用条件；失败的运行保留，不改写。
开发与演练命令
这些命令在源码检出目录运行；安装包按使用需要导出，测试与 CI 保留在源码仓库。
uv sync --locked --group dev
uv run --locked python -m pytest -q
uv run --locked python -m scripts.release_check # 发布前：重跑示例、核对记录未漂移、跑测试
uv run --locked python -m examples.decision_sensitivity_demo
uv run --locked python -m examples.structural_reasoning_demo
uv run --locked python -m examples.exploration_demo本地原创代码与文档采用 MIT。工作流参考 MathModelHub，Sobol 与 TOPSIS 分别使用 SALib 和 pyMCDM；实际复用范围与上游许可见 第三方声明。报告中实际使用的方法、数据与工具仍需在使用处引用原始来源。
研究中使用 Praxis 时可参考 软件引用信息，并记录实际使用的发布版或提交编号。