企业官网建设流程全解析

在数学建模竞赛中，真正拉开选手差距的不是模型名字是否高级，而是从读题、建模、求解、验证到论文呈现的完整链路是否顺畅。以“华数杯”这类时间紧凑的数模竞赛为例，很多队伍不是不会建立模型，而是在数据清洗、算法实现、结果分析、图表绘制和论文成型之间反复返工。使用 Modex 这类数模智能体时，如果只是把它当成问答工具，零散地问“这个模型怎么建”“这个代码怎么改”，得到的结果通常是碎片化的，很难直接支撑一篇完整论文。要想让 Modex 真正发挥价值，需要把它放进一个全流程的求解管线里：先拆解赛题，再逐阶段让智能体产出结构化的模型、代码、结果和论文片段，最后人工审核并拼接成一篇逻辑自洽的参赛论文。这篇文章就按这个思路，给出华数杯全流程使用 Modex 求解的标准化操作方法。

这里不承诺“只要用某个工具就一定能拿国一”，因为竞赛结果取决于赛题理解、数据质量、模型适用性、论文写作甚至临场发挥。但通过一套可复现的流程，能够让每个环节的产出质量更稳定，减少低级错误，让论文具备冲击高奖项的基本素质。下文会按照“理解环节 -> 准备环境 -> 分阶段操作 -> 关键示例 -> 常见排错 -> 质量打磨”的顺序展开，读者拿到手后，可以结合自己的赛题直接套用。

1. 先理解 Modex 数模智能体能覆盖全流程的哪些环节

1.1 数模竞赛全流程的核心节点

一场典型数学建模竞赛，无论题目是预测类、评价类、优化类还是机理分析类，都会经历以下节点：

1. 题目分析与问题重述。
2. 数据获取与数据清洗。
3. 模型假设与模型选择。
4. 数学公式与算法设计。
5. 编程实现与结果求解。
6. 结果验证与敏感性分析。
7. 图表制作与表格整理。
8. 论文结构编排与摘要撰写。
9. 全文审核与降重修改。

很多队伍在这条链路上最大的问题是“节点断裂”。例如模型选得很漂亮，但代码是网上找的，和赛题数据对不上；又比如结果算出来了，却不知道如何解释指标；再比如摘要写得太空，没有把模型、方法、结果和结论集中在三五行内。Modex 的价值在于，它可以作为这条链路的“协作者”，在每个节点上快速产出候选方案、代码片段、文字说明和检查清单。但它不是自动答题机，需要你提供清晰的上下文，并持续追问、校验和修正。

1.2 Modex 的能力边界与提示词核心逻辑

Modex 作为数模智能体，擅长的是“结构化的推理生成”。它能够根据你给出的题目文本和数据描述，生成模型建议、公式、伪代码、Python 代码、结果分析文案和论文段落。它的核心优势是：响应速度快、格式清晰、能同时给出多个方案让你选择。它的边界在于：不能读取你电脑里的所有文件，除非你上传给它的数据；不能保证生成代码一定适配你的 Python 版本和库；不能替你判断“这个模型是否被评卷老师认可”；更不能代替人工进行创新思考。

因此，和 Modex 协作时，提示词要遵循四个原则：

• 明确角色：告诉它“你是一名数学建模竞赛教练”。
• 明确任务：告诉它“我对某类问题，需要解决什么”。
• 明确背景：尽量把赛题中的约束条件、数据格式、变量含义喂给它。
• 明确输出格式：要求它输出“公式 + 伪代码 + Python 代码 + 优缺点 + 适用条件”。

把这四个原则固化成一个提示词模板，后面所有环节都会顺畅很多。不要使用“帮我写一下这道题”这种模糊指令，因为 Modex 不知道你的数据长什么样，也不知道你希望以什么形式得到答案。

1.3 使用 Modex 的典型工作方式

竞赛现场的时间非常宝贵，建议用“分轮对话 + 人工整合”的方式工作，而不是一个人连续和智能体聊十几轮后发现跑题。

典型工作方式如下：

• 第一轮：上传题目原文和数据样例，要求 Modex 做题目拆解和问题重述。
• 第二轮：根据拆解结果，让它给出 3 个候选模型，并对比适用性和实现难度。
• 第三轮：选定一个模型后，让它生成数学表达式和模型假设。
• 第四轮：让它生成可运行的 Python 代码，并解释关键库和参数。
• 第五轮：把运行结果回传，让它做结果分析和敏感性分析建议。
• 第六轮：让它生成论文段落、摘要草稿和图表建议。
• 第七轮：让它作为评审人检查论文逻辑漏洞。

每一步的输出都要单独保存。建议建一个项目目录，把提示词、Modex 返回内容、代码、运行结果和论文草稿分开放。否则后面拼接论文时，会在各种碎片里找历史记录。

1.4 全流程各阶段 Modex 发力点

这张表建议打印出来放在手边。每个阶段结束后，先完成表格中“人工需要完成的工作”，再进入下一阶段，避免大量返工。

2. 环境与准备：账号、选题材料和提示词框架

2.1 准备数据：华数杯常见题型与数据格式

华数杯的赛题通常包含预测、评价、优化、统计分析等类型，数据可能以 Excel、CSV 或题目附件形式给出。在开始使用 Modex 之前，先做三件事：

1. 通读全文，标出目标变量、关键约束和评价指标。
2. 把题目中的表格和附件导出为结构化 CSV 文件，并确认列名、单位、缺失情况。
3. 写一段 200 字左右的“数据描述”，包含每列含义、行数、是否有缺失或异常。

这段数据描述会作为后续提示词的重要上下文。例如：“数据共 180 行，包含时间列 date，特征列 temperature、humidity、pressure，目标列 wind_speed。temperature 有 12 个缺失值，其余列无重复。数据类型全部为数值型。”这种描述能极大提高 Modex 生成代码的准确性。

2.2 设计通用提示词模板

推荐先创建一个“Modex 提示词模板”文档，保存以下通用结构：

你是一名有丰富比赛经验的大学生数学建模竞赛教练。请基于我提供的问题背景和数据描述，完成以下任务。 赛题背景： （粘贴题目关键段落） 数据描述： （粘贴数据字段、行数、缺失情况） 任务要求： 1. 对题目进行分析，给出问题类型判断和解题思路。 2. 给出2到3个候选模型，说明每个模型的适用条件、复杂度、稳定性。 3. 选定一个最适合的模型，给出数学表达式和符号说明。 4. 生成 Python 代码，代码应包含数据读取、预处理、建模、求解、结果输出的完整流程。 5. 对代码中的关键参数进行解释。 输出格式： - 分段输出，每段先给结论再看细节。 - 数学公式使用 LaTeX 风格表示。 - 代码使用 Python，并注明需要安装的依赖库。

这个模板并不是一成不变。在后面的每个阶段，我们可以抽取任务要求中的某一条，单独使用。例如只看第 1 条、第 2 条或第 4 条。保持模板结构统一，可以让 Modex 返回的内容更容易比较和缝合。

2.3 建立“问题-模型-数据结构”映射表

很多队伍在选用模型时，只看模型名称是否“高大上”，忽略了数据结构和赛题约束。建议在比赛第一天，花 30 分钟建立一个映射表，把常见赛题类型和数据结构按顺序排列。

这张表不需要覆盖所有情况，但可以帮你快速判断 Modex 给出的建议是否靠谱。如果 Modex 在评价类问题中给出了深度学习模型，而你的数据只有 20 行，那就需要谨慎采纳。

2.4 环境检查清单

在比赛中，因为环境问题浪费时间的队伍非常多。这里给一份可复用检查清单：

• 安装了 Python 3.8 或更高版本。
• 确认pip可用，且网络能正常安装依赖库。
• 安装了numpy、pandas、matplotlib、scipy、scikit-learn。
• 优化类问题额外安装pulp或ortools。
• 时间序列预测可安装statsmodels、prophet（按需要）。
• 确认 CSV 数据和代码放在同一个工作目录，或者使用绝对路径。
• 运行一个最小程序，测试import pandas as pd是否成功。
• 确认图表中文字体设置，避免论文插图出现框框。

最小测试代码： import pandas as pd import numpy as np import matplotlib.pyplot as plt print("pandas", pd.__version__) print("numpy", np.__version__) print("scipy ok") plt.plot([1, 2, 3], [1, 4, 9]) plt.title("test") plt.show()

如果这段代码能顺利画出一张图，说明基础环境正常。之后所有从 Modex 得到的代码，都在这个环境中验证。

3. 全流程操作：从题目分析到论文输出的标准步骤

3.1 阶段一：题目分析与问题重述

拿到赛题后，第一件事不是写代码，而是把所有题目段落输入给 Modex，要求它完成三项任务：

• 提取关键词和问题目标。
• 把赛题拆成几个子问题。
• 对每个子问题给出可能的建模方向。

推荐提示词：

以下是华数杯赛题文本。请完成题目分析： 1. 用 3 句话概括赛题要解决的核心问题。 2. 将问题拆解为多个子问题。 3. 对每个子问题列出可能的模型方向，并说明每个方向需要的数据结构。 4. 指出赛题中容易被忽略的隐含条件。 赛题文本： （粘贴题目全文）

Modex 返回后，你用自己的话再复述一遍问题。如果能说清“目标变量是什么、约束条件有哪些、输出结果要解决什么问题”，就可以进入下一步。如果复述时发现矛盾，说明还没有真正理解赛题，需要继续追问 Modex，直到逻辑一致。

3.2 阶段二：模型选择与数学表达

模型选择往往决定了论文的上限。这里不建议直接问“用什么模型”，而应该把问题特征交给 Modex 判断。例如，如果问题是“根据过去 5 年的数据预测未来 3 个月的订单量”，要让 Modex 知道“数据量小、要求可解释性强、需要输出置信区间”。这样它推荐的模型才不会跑偏。

选择模型时，参考以下提示词：

我已经确定需要解决的问题是（在这里描述子问题）。现有数据的数据量、字段、目标变量如下（在这里粘贴数据描述）。请从以下方面给出 3 个候选模型： 1. 模型的数学形式。 2. 需要的数据条件。 3. 在数据量较小或特征较少时是否稳定。 4. 实现难度和常用库。 5. 在数学建模竞赛论文中的可解释性。 最终请推荐一个你认为最适合的模型，并说明选择理由。

得到推荐后，让 Modex 补全数学表达式和符号说明。建议把表达式整理成 LaTeX 格式，因为华数杯论文通常要求使用 LaTeX 或 Word 公式编辑器。示例输出：

设目标变量为 y，影响因素为 x_1, x_2, ..., x_p，建立多元线性回归模型： y = β_0 + β_1 x_1 + ... + β_p x_p + ε 其中，β 为回归系数，ε ~ N(0, σ^2)。 假设： 1. 目标变量与特征之间近似线性关系。 2. 特征之间不存在严重多重共线性。 3. 误差项满足独立同分布。

人工审核要点是怎样确认模型假设合理。如果数据有明显趋势，线性回归就不合适。如果变量之间存在强相关，就要考虑岭回归、Lasso 或降维。

3.3 阶段三：数据预处理与求解代码生成

数据预处理是代码出现错误最频繁的环节。不要直接用原始数据跑模型。先让 Modex 根据数据描述生成一份“数据清洗与探索性分析”的代码：

请根据以下数据描述，生成 Python 代码： 1. 读取 CSV 文件并打印前 5 行。 2. 检查缺失值、重复值和数据类型。 3. 对数值型特征绘制分布直方图。 4. 对缺失值给出处理建议，并实现一种可执行的填补方式。 5. 输出清洗前后的数据行数对比。 数据描述： （粘贴字段说明和文件路径）

这里要特别关注两个坑：

第一，Modex 生成的填充策略可能不适合业务场景。例如时间序列数据不应该用全局均值填充缺失值，更适合插值法；分类数据可以用众数填充，但需要保证语义合理。第二，数据文件路径在 Modex 的环境里只是“你告诉它的字符串”，它的代码通常使用相对路径，你要确认自己本地目录结构一致，或者改成绝对路径。

当数据预处理完成后，再进入模型求解代码生成。对于华数杯这类比赛，代码结构建议按照“读取数据 -> 预处理 -> 设定模型参数 -> 求解 -> 评估 -> 可视化 -> 保存结果”七段式编写。Modex 可以根据你选定的模型生成对应代码。下面是一个通用框架：

import pandas as pd import numpy as np from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestRegressor from sklearn.metrics import mean_absolute_error, r2_score import matplotlib.pyplot as plt # 1. 读取数据 data = pd.read_csv("data.csv") # 2. 预处理 data = data.dropna(subset=["target"]) feature_cols = ["feature1", "feature2", "feature3"] X = data[feature_cols] y = data["target"] # 3. 划分训练集与测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 4. 建模 model = RandomForestRegressor(n_estimators=200, max_depth=5, random_state=42) model.fit(X_train, y_train) # 5. 预测与评估 y_pred = model.predict(X_test) print("MAE:", mean_absolute_error(y_test, y_pred)) print("R2:", r2_score(y_test, y_pred)) # 6. 特征重要性可视化 importance = pd.Series(model.feature_importances_, index=feature_cols).sort_values() importance.plot(kind="barh") plt.tight_layout() plt.savefig("feature_importance.png", dpi=200)

这里不直接把全部代码贴到正文中，而是强调：用 Modex 生成的代码，一定要先在小数据上跑通，再做完整运行。这能避免因内存、时间、路径等问题浪费比赛时间。

3.4 阶段四：结果分析与敏感性分析

结果分析是很多队伍论文质量不高的原因。它们经常只给出“预测结果如下表”这个结论，却缺少“为什么模型有效”“参数变化对结果有什么影响”的分析。Modex 可以帮助完成以下几类产出：

• 对结果的统计性描述。
• 对不同模型的误差对比。
• 对关键参数的敏感性分析代码。
• 对表格和图形的文字解释。

例如，看完模型误差后，可以这样要求 Modex：

下面是模型在测试集上的预测结果与真实值。请完成： 1. 计算并解释平均绝对误差、均方根误差和决定系数。 2. 指出预测结果中偏差最大的 5 条记录可能的原因。 3. 给出 3 种用于敏感性分析的参数调整方向。 4. 针对结果写出 200 字以内的分析段落，适合放在论文“结果分析”部分。 预测结果： （粘贴误差表格或残差数据）

如果做的是优化类问题，敏感性分析通常指约束条件右端项变化或目标函数系数变化对最优解的影响。要让 Modex 生成对应代码，需要明确告诉它参数名和变化范围。例如：

当前线性规划的最优解是 X。请生成 Python 代码，当目标函数中 c1 从 2 变化到 10 时，观察最优解的变化，并绘制折线图。

这类代码通常比较短，但对论文的“稳定性分析”章节非常加分。

3.5 阶段五：论文结构编排与摘要撰写

论文写作阶段，Modex 最大的价值是帮你生成“初稿框架”和“段落素材”，不是直接生成整篇论文后照抄。由于不同队的分工不同，一般建议：

• 建模手负责“模型建立与求解”。
• 编程手负责“数据处理与算法实现”。
• 论文手负责“问题重述、模型优缺点和摘要”。

可以使用以下提示词生成论文框架：

请根据以下比赛题目和解决思路，生成一篇数学建模论文的详细大纲。大纲需要包含： 1. 摘要要写的核心信息和结果。 2. 关键词推荐。 3. 问题重述的结构。 4. 模型假设表。 5. 模型建立部分的详细小节和每个小节要写的内容提纲。 6. 模型求解部分需要展示的图表。 7. 模型检验和敏感性分析的内容。 8. 优缺点分析的写法。 题目摘要： （粘贴题目简化描述和最终模型）

拿到大纲后，每个章节都可以进一步让 Modex 生成“段落初稿”。但此时要注意，Modex 生成的文字通常偏向通用叙述，缺少你实际计算出来的数据和图表。必须把数值结果回填给 Modex，再要求它重写。例如：

下面是我得到的最终结果：优化后的总成本为 328.5 万元，比原始方案降低 12.3%。请根据这个结果，修改上面生成的“结果分析”段落，使数据与结论一致。

3.6 阶段六：全流程审核与降重修改

提交论文前 3 小时，进入审核阶段。这时让 Modex 扮演“评审老师”，对论文草稿进行审查。可以使用以下提示词：

你是一名经验丰富的数学建模竞赛评阅老师。下面是一篇论文的摘要和模型部分，请从以下角度给出修改意见： 1. 摘要中是否清晰说明了问题、模型、方法和量化结果。 2. 模型假设是否合理，是否有遗漏。 3. 公式符号是否统一。 4. 图表编号和描述是否完整。 5. 优缺点分析中是否出现“模型简单”“模型粗糙”等贬低论文的词语。 6. 是否出现明显的语法重复和逻辑断裂。 论文草稿： （粘贴摘要和正文片段）

这个方法可以快速发现低级问题。但要注意，Modex 的审查意见只是参考，最后修改要结合自己的判断，不要机械删除或替换。另外，在降重时，不建议通过同义词替换来应付查重，而是通过“用自己的语言重写模型思路”和“补充具体的数值推导”来增加原创性。Modex 可以给你一个改写版本，但你必须核对公式和逻辑。

4. 关键提示词与代码示例

本章把全流程中使用频率最高的提示词和代码整理成可复制模板。

4.1 数据读取与快速了解数据

import pandas as pd df = pd.read_csv("final_data.csv") print(df.head()) print(df.info()) print(df.describe(include="all"))

这个代码在比赛初期很关键，目的是确认数据是否成功读取、类型是否正确、缺失情况如何。如果df.info()显示列名和预期不一致，说明 CSV 的编码、分隔符或表头处理有问题，需要回到数据准备阶段修正。

4.2 模型选择提示词

你是数学建模竞赛教练。我的问题是【粘贴子问题】。数据特征包括【粘贴特征】。样本量【N】行，目标变量【y】。 请给出 3 个候选模型。要求： - 先说明每个模型的核心思想，用 3 句话解释。 - 再说明适用条件。 - 最后说明如果数据量增加或减少，哪个模型更稳定。

这个提示词输出结果通常是“候选模型表格 + 推荐结论”，非常适合在比赛第 1 天快速确定方向。

4.3 机器学习模型通用代码框架

import pandas as pd from sklearn.model_selection import cross_val_score from sklearn.ensemble import GradientBoostingRegressor df = pd.read_csv("clean_data.csv") X = df.drop(columns=["target"]) y = df["target"] model = GradientBoostingRegressor(random_state=42) scores = cross_val_score(model, X, y, cv=5, scoring="r2") print("CV R2 mean:", scores.mean().round(3)) model.fit(X, y) print("Feature importance:", model.feature_importances_)

这里没有写特征工程细节，因为不同赛题差异很大。关键是先通过交叉验证了解模型稳定性。如果多次交叉验证的 R2 波动非常大，说明数据划分不稳定或模型复杂度过高，应该考虑简化特征或换模型。

4.4 优化类问题的 Milp 代码示例

如果赛题是运输、排班、库存等优化问题，可以用pulp快速建模。

import pulp # 创建问题 prob = pulp.LpProblem("Schedule", pulp.LpMinimize) # 决策变量 x = pulp.LpVariable.dicts("x", range(5), lowBound=0, cat="Integer") # 目标函数 prob += pulp.lpSum([x[i] for i in range(5)]) # 约束条件 prob += pulp.lpSum([2 * x[0] + x[1]]) >= 10 prob += x[2] >= 3 # 求解 prob.solve() print("Status:", pulp.LpStatus[prob.status]) for i in range(5): print(f"x{i} =", x[i].value())

实际赛题中的约束和变量会比这个复杂，但思路一致。Modex 可以基于你提供的目标函数和约束生成完整代码，但你仍然需要仔细检查每个变量的索引和约束方向是否跟题意一致。

4.5 结果表格输出与论文图表

为了让论文图表规范，可以直接用matplotlib和pandas输出高分辨率图。例如：

import matplotlib.pyplot as plt # 设置中文字体 plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False df[["real", "pred"]].plot(figsize=(8, 4)) plt.title("真实值与预测值对比") plt.xlabel("样本序号") plt.ylabel("目标变量") plt.legend() plt.grid(alpha=0.3) plt.savefig("result_compare.png", dpi=300, bbox_inches="tight") plt.show()

代码中中文字体设置非常关键，否则论文里的图会出现方框。另外，dpi=300适合期刊和竞赛论文，插入 Word 或 LaTeX 后不会模糊。图片保存格式建议 PNG 或 PDF，PDF 在 LaTeX 中效果更好。

5. 常见问题与排查路径

5.1 Modex 返回空结果或逻辑跳跃

现象：提示词发送后，Modex 返回“我不能完成这个请求”或突然从第一步跳到第五步，中间没有推导过程。

可能原因：提示词上下文太长，导致智能体遗漏信息；或者任务描述不明确；又或者问题分成了太多子任务，同时要求输出太多内容。

排查方式：

• 把一个大任务拆成 3 到 4 个小任务，每次只问一个环节。
• 确认赛题文本粘贴完整，但不要一次粘贴 10 页 PDF。先粘贴摘要和题目描述，必要时刻再补充附件细节。
• 检查有没有使用过多否定词。例如“不要用深度学习”这种指令容易被误读，改成“请使用传统时间序列模型”。

处理建议：拆解任务后重新提问；如果仍然失败，重启一个新的会话窗口，并把之前的结论摘要作为新的上下文。

5.2 生成的代码在本地运行报错

现象：Modex 生成的 Python 代码出现ModuleNotFoundError、KeyError、FileNotFoundError。

排查顺序：

1. 先看是否缺少依赖库。报错ModuleNotFoundError: No module named 'pulp'时，执行pip install pulp。
2. 再看数据文件路径。FileNotFoundError通常是因为脚本运行目录与 CSV 文件不在同一目录，建议把路径改为绝对路径或用os.path.join拼接。
3. 再看列名。KeyError通常是因为数据列名和代码中的列名不一致，打印df.columns核对。
4. 最后看版本兼容。某些库的名称在新版本中变了，例如sklearn某些子模块需要从sklearn.ensemble导入，而不是直接from sklearn import ...。

如果错误信息很陌生，也可以把完整报错内容贴给 Modex：

以下代码在运行时出现如下错误，请分析原因并给出修改后的完整代码。 代码： （粘贴代码） 错误日志： （粘贴报错）

5.3 论文内容与数据结果不一致

现象：论文正文说“误差为 5%”，实际计算结果是 8%；或者图表编号和文中的引用对不上。

原因：写作时直接从 Modex 复制文字，没回填真实数据；图表在运行代码后更新过，但正文章节没有同步修改。

处理建议：建立“结果数据中转表”。把所有关键数值、表格、图名统一记录在一个 Markdown 文件里。例如：

提交前，逐个检查论文中出现的所有数字是否与这个中转表一致。

5.4 如何验证模型不是在“硬套”

模型选得不对，往往要通过残差或稳定性检验才能发现。可以把下面这段话作为检验提示词：

请帮助我检查一下，当前模型是否适合这个数据。检查内容包括： 1. 残差是否随时间或样本序号存在明显趋势。 2. 预测结果是否出现负值（如果目标变量应该为正）。 3. 模型对训练集和测试集的效果差距是否过大。 4. 修改随机种子后结果是否波动很大。

如果 Modex 的回答指出存在严重过拟合或残差模式，就要考虑简化模型、增加正则项或重新做特征筛选，而不是直接拿去写论文。

6. 从“能用”到“国一质量”的写作与表达技巧

6.1 摘要与关键词打磨

华数杯论文评审非常快，摘要决定第一印象。摘要不是“本文研究了 XX”，而是要把“问题、模型、方法、结果、结论”浓缩在 500 字以内。建议采用四段式结构：

1. 第一句：指出要解决的问题和核心困难。
2. 中间 2 到 3 句：分别对应每个子问题，写出采用什么模型，如何处理数据。
3. 结果：写出最终指标，比如精度、优化成本降低比例。
4. 结论：说明模型稳定性和推广价值。

使用 Modex 生成摘要初稿时，一定要给出具体数字。例如：

请根据下面的结果数据，用四段式写摘要： 问题：预测某城市未来 7 天的电力负荷。 模型：ARIMA 和 LightGBM。 关键结果：MAE 为 23.5 MW，比单一模型降低 18%。 结论：该组合方法能够稳定捕捉负荷趋势，适用于短期负荷预测。

这样生成的摘要才不是空话。

6.2 图表规范与结论呈现

评卷老师非常看重图表的信息密度。一张表格能说明的，不要用三张图。图表规范至少做到：

• 图有标题，横纵轴有标签和单位。
• 表格有表头，数值精确到有效位数（一般小数后 2 到 3 位）。
• 同一模型的多次实验要统一配色和样式。
• 不使用 3D 饼图、不带意义的渐变填充。

Modex 可以帮你生成图表的文案描述，但图表本身还是要自己用代码产出。下面是一个提示词：

请帮我把下面的表格整理成论文中的标准三线表样式，并写出表格的标题和注释。 数据： （粘贴数据）

6.3 模型假设与优缺点分析

模型假设不能只写“假设数据准确”“假设模型稳定”这种废话。每个假设都要说明忽略哪些影响因素，以及如果不满足假设会有什么影响。

优缺点分析中有一个常见误区：写“模型简单、模型粗糙”。这等于告诉评卷老师你没有深入研究。建议用“优缺点中对比方案”的写法，例如：

• “相比单一线性回归，本模型通过引入随机森林能够捕捉非线性关系，但代价是可解释性下降。”
• “遗传算法的全局搜索能力较强，但在参数较多时收敛速度变慢，后续可以通过调参缓解。”

这类句子可以请 Modex 生成多个版本，然后选择最符合实际的一种。

6.4 提交前的全流程检查清单

以下清单可以直接复制到本地使用：

• 论文是否包含摘要、关键词、问题重述、模型假设、模型建立与求解、模型检验、优缺点、参考文献、附录。
• 摘要中是否包含每个子问题的模型与量化结果。
• 正文中的每一个数字是否来自结果输出文件。
• 所有图表是否有编号、标题、单位。
• 模型中所有符号是否有定义。
• 代码附录是否包含可运行版本，且没有输出乱码。
• 数据文件是否随论文一起打包，路径是否清晰。
• 是否已经去掉所有与赛题无关的模板文字。
• 是否进行全文查重，并与 Modex 生成的初稿有明显差异化改写。
• 是否有备用模型，以便在答辩或提问环节使用。

这个清单最好在截止时间前 3 小时完成第一轮检查，留下 1 小时修改，半小时最后终稿。不要把检查放在最后一小时，匆忙操作很容易把 PDF 导出成缺页版本。

使用 Modex 数模智能体的全过程，本质上是在“人工判断”和“机器生成”之间建立分工。让智能体负责快速产出候选模型、代码初稿、文字片段和检查建议，让人负责判断赛题意图、核对数据、运行代码、修正逻辑和最终决定论文表达。这样既不会变成完全依赖工具的空壳论文，也不会因为时间紧张而遗漏必要环节。对于华数杯这类高强度竞赛，建议第一场训练赛就开始使用这套流程，提前把提示词、代码模板和检查清单打磨好，真正比赛时只替换赛题和数据，就能稳定发挥。