@ohtaman/washi 0.5.0 → 0.7.0

package/README.zh-CN.md

@@ -2,9 +2,9 @@
   <picture>
     <source media="(prefers-color-scheme: dark)" srcset="./assets/washi-header-dark.png">
     <source media="(prefers-color-scheme: light)" srcset="./assets/washi-header-light.png">
-    <img alt="WaSHI - 面向 TypeScript 与 JavaScript 的数理优化代数建模器 (Modeler)" src="./assets/washi-header-light.png" width="420" />
+    <img alt="WaSHI - TypeScript 数理优化建模器" src="./assets/washi-header-light.png" width="420" />
   </picture>
-  <p><strong>面向 TypeScript 与 JavaScript 的代数建模器</strong></p>
+  <p><strong>TypeScript 数理优化建模器</strong></p>
   <p>
     <em>线性规划 (LP) • 混合整数规划 (MIP) • 凸二次规划 (QP) • SMT逻辑约束与冲突诊断</em>
   </p>
@@ -16,19 +16,45 @@
   <p>
     <a href="https://www.npmjs.com/package/@ohtaman/washi"><img src="https://img.shields.io/npm/v/@ohtaman/washi?color=crimson&label=npm" alt="npm version" /></a>
     <a href="https://github.com/ohtaman/washi/actions/workflows/distribution.yml"><img src="https://github.com/ohtaman/washi/actions/workflows/distribution.yml/badge.svg" alt="CI Status" /></a>
-    <a href="https://ohtaman.github.io/washi/zh/"><img src="https://img.shields.io/badge/docs-online-blue" alt="docs" /></a>
-    <a href="https://ohtaman.github.io/washi/demo/"><img src="https://img.shields.io/badge/demo-playground-brightgreen" alt="live demo" /></a>
+    <a href="https://washi.ohtaman.dev/zh/"><img src="https://img.shields.io/badge/docs-online-blue" alt="docs" /></a>
+    <a href="https://washi.ohtaman.dev/demo/"><img src="https://img.shields.io/badge/demo-playground-brightgreen" alt="live demo" /></a>
     <a href="./LICENSE"><img src="https://img.shields.io/badge/license-MIT-green" alt="license" /></a>
   </p>
 </div>
 
 ---
 
-**WaSHI** (WebAssembly-backed, Solver-independent, High-level modeling Interface) 是面向 TypeScript / JavaScript 的代数建模器，受到 Python **PuLP** 和 Julia **JuMP** 的启发。你可以在应用代码中定义变量、目标函数、算术约束和逻辑约束。WaSHI 负责构建模型、转换为求解器输入，并将结果映射回变量；优化与可满足性检查由 **HiGHS**、**Z3** 和 **GLPK** 完成。
+**WaSHI** (WebAssembly-backed, Solver-independent, High-level modeling Interface) 是面向 TypeScript / JavaScript 的数理优化与约束编程代数建模器，受到 Python **PuLP** 的启发。你可以在应用代码中定义变量、目标函数和约束，并在 Node.js 或浏览器本地使用 **HiGHS**（默认）、**Z3** 或 **GLPK** 求解。
 
-HiGHS 是默认求解器；Z3 和 GLPK 是可选插件。软件包提供 Node.js 和浏览器分发版本，并包含 WebAssembly 资源。部署要求请参阅[浏览器使用说明](#-浏览器与-web-worker-使用指南)。
+## ✨ 核心特性
 
-[在线文档](https://ohtaman.github.io/washi/zh/) · [试用浏览器演示](https://ohtaman.github.io/washi/demo/) · [AI 编程助手快速参考](docs/zh/getting-started/ai-agents.md) · [Agent Skill (`SKILL.md`)](skills/washi/SKILL.md) · [示例源码与运行方法](https://github.com/ohtaman/washi/blob/main/examples/README.md) · [ESM / script / CodePen 示例](https://github.com/ohtaman/washi/blob/main/examples/distribution/README.md)
+- **直观的代数语法**：通过 `` expr`30 * ${x} + 50 * ${y} <= 40` `` 与求和、点积（`sum`, `dot`）清晰编写公式与约束。
+- **跨 Node.js 与浏览器本地运行**：基于 WebAssembly，无需单独部署 Python 服务或本地编译 C/C++。
+- **求解器无关**：内置 **HiGHS**，支持按需加载 **Z3**、**GLPK** 插件或自定义求解器适配器。
+- **可满足性判定与冲突诊断**：支持逻辑与算术约束的可满足性判定，并在模型不可行时定位矛盾约束。
+- **大规模分解算法**：内置列生成法与 Benders 分解支持。
+
+## 📚 文档与链接
+
+- **[在线文档](https://washi.ohtaman.dev/zh/)**：建模指南、求解器说明与运行环境配置
+- **[案例展示](https://washi.ohtaman.dev/zh/showcase/) & [浏览器演示](https://washi.ohtaman.dev/demo/)**：在线体验交互式应用与浏览器建模演练场
+- **[示例目录](https://washi.ohtaman.dev/zh/examples/)**：各类问题的建模示例与可运行源码（[`examples/`](examples/README.md)）
+- **[AI 编程助手快速参考](docs/zh/getting-started/ai-agents.md) · [Agent Skill (`SKILL.md`)](skills/washi/SKILL.md) · [`llms.txt`](https://washi.ohtaman.dev/llms.txt) / [`llms-full.txt`](https://washi.ohtaman.dev/llms-full.txt)**：面向 AI 编程助手的速查指南、技能定义与机器可读文档
+
+---
+
+## 📦 安装与快速开始
+
+```bash
+npm install @ohtaman/washi
+
+# 可选求解器插件
+npm install z3-solver   # 用于 SMT 逻辑与冲突诊断
+npm install glpk.js     # 用于 GLPK 求解器 (GPL-3.0)
+
+# 可选：为 AI 编程助手（Claude Code, Cursor, Codex 等）安装建模技能
+npx skills add ohtaman/washi
+```
 
 ```ts
 import { Model, expr, maximize } from "@ohtaman/washi";
@@ -47,446 +73,137 @@ console.log(`生产计划: x=${x.value}, y=${y.value} (最大利润: $${m.object
 
 ---
 
-## 🎯 WaSHI 提供的功能
-
-1. **代数模型构建**：使用领域变量构造函数（`m.binary`、`m.integer`、`m.continuous`）、标签模板字面量（`expr`）、向量聚合函数（`dot`、`sum`）以及一等约束（`m.constraint`）构建优化模型。由于 JavaScript 不支持运算符重载，`` expr`...` `` 采用类似参数化 SQL 模板的方式，在解析中缀数学运算符（`+`、`-`、`*`、`^2`、`<=`、`>=`、`==`）的同时，将 `${...}` 插值直接绑定为强类型的 `Var` 或表达式对象引用，从而保留静态类型检查、IDE 重命名支持以及多维索引访问（`${flow[i][j]}`）。
-2. **求解器适配器**：通过共同的建模 API 使用 HiGHS、Z3 或 GLPK，也可以[注册自己的适配器](https://github.com/ohtaman/washi/blob/main/docs/zh/solvers/custom-solver.md)。需要选择支持相应问题类型的求解器；不同求解器的能力并不相同。
-3. **本地执行与 WebAssembly 分发**：使用本地求解器适配器时，可在应用内直接求解，无需单独的 Python 服务或本地 C/C++ 编译——这消除了在快速开发和交付交互式工具时的后端基础设施瓶颈，也便于在客户端直接与浏览器内 LLM（如 WebGPU / WebLLM）协同工作。浏览器部署需要包含生成的 JS、Worker 和 WASM 资源。离线使用还需要这些资源可在本地访问或已缓存。Z3 有额外的浏览器隔离要求。
-4. **命名约束与 SMT 结果**：显式使用 Z3 检查可满足性，并通过冲突约束（`conflicts` / `unsatCore`）调查冲突约束。返回的是一个冲突约束子集，不一定是最小子集。
+## ⚙️ 求解器概览
 
-模型构建与转换由 WaSHI 负责。支持的问题类型、数值行为和求解时间取决于所选求解器、配置及具体问题。建模开销与求解器执行时间应分别测量；某个模型上的结果并不构成通用性能保证。
-
----
-
-## ⚙️ 求解器适配器与支持范围
-
-| 适配器 | 引擎许可证 | 支持的问题类型 | 引擎作用 | 集成方式 |
+| 求解器 | 许可证 | 支持问题类型 | 主要用途 | 引入方式 |
 | :--- | :--- | :--- | :--- | :--- |
-| **HiGHS** | **MIT** | **LP, MIP, 凸QP** | 数值优化 | 默认内置 |
-| **Z3** | **MIT** | **SMT, SAT, 逻辑, MIP** | 可满足性检查、Unsat Core、优化 | 可选插件 (`@ohtaman/washi/solvers/z3`) |
-| **GLPK** | **GPL-3.0** | **LP, MIP** | 线性与混合整数优化 | 可选插件 (`@ohtaman/washi/solvers/glpk`) |
-| **Mock** | **MIT** | — | 为集成测试提供模拟响应 | 内置；不实际求解模型 |
-
----
+| **[HiGHS](https://github.com/ERGO-Code/HiGHS)** | MIT | LP, MIP, 凸QP | 数值优化与弹性冲突修复诊断 | 默认内置 |
+| **[Z3](https://github.com/Z3Prover/z3)** | MIT | SMT, SAT, 逻辑, MIP | 逻辑规则、可满足性判定与精确 `unsatCore` | `import "@ohtaman/washi/solvers/z3"` |
+| **[GLPK](https://www.gnu.org/software/glpk/)** | GPL-3.0 | LP, MIP | 线性与混合整数规划 | `import "@ohtaman/washi/solvers/glpk"` |
+| **Mock** | MIT | — | 单元与集成测试模拟响应 | 内置 (`MockSolver`) |
 
-## 📦 安装
-
-```bash
-# npm
-npm install @ohtaman/washi
-
-# pnpm
-pnpm add @ohtaman/washi
-
-# yarn
-yarn add @ohtaman/washi
-
-# bun
-bun add @ohtaman/washi
-```
-
-*(可选)* 若需使用 Z3 或 GLPK 求解器，可按需安装对应依赖包：
-
-```bash
-npm install z3-solver    # 用于 SMT 与冲突诊断
-npm install glpk.js      # 用于 GLPK 求解器 (GPL-3.0)
-```
-
-*(可选)* 面向 AI 编程助手（Claude Code、Antigravity、Cursor、Codex 等），`@ohtaman/washi` 随包附带了可复用的 [`skills/washi/SKILL.md`](skills/washi/SKILL.md) 建模与校验技能及 [AI 编程助手快速参考](docs/zh/getting-started/ai-agents.md)：
-
-```bash
-mkdir -p .agents/skills/washi
-cp node_modules/@ohtaman/washi/skills/washi/SKILL.md .agents/skills/washi/SKILL.md
-```
+导入对应插件后，可在 `new Model(...)`、`m.solve(...)` 或 `m.check(...)` 中传入 `{ solver: "z3" }` 或 `{ solver: "glpk" }`。
 
 ---
 
-## 🚀 快速上手指南
+## 🚀 常用用法示例
 
-### 1. 多维变量、条件指示约束 (`m.indicator`) 与解验证 (`m.validateSolution`)
+### 1. 求和、点积（`sum` / `dot`）与条件约束
 
-一行代码声明一维字典或二维变量矩阵，通过 `m.indicator()` 表达 Big-M 条件规则，结合 `onProgress` / `AbortSignal` 控制求解过程，并通过 `m.validateSolution()` 独立校验解的合法性：
+使用 `dot` / `sum` 组合线性表达式，并通过 `m.indicator()` 表达条件规则：
 
 ```ts
-import { Model, expr } from "@ohtaman/washi";
-
-const m = new Model("FacilityPlanning");
-
-// 1D 字典形式的二元变量
-const openCity = m.binary(["Tokyo", "Osaka", "Nagoya"]);
-
-// 2D 运输量矩阵: [工厂] x [门店]
-const flow = m.continuous(["F1", "F2"], ["StoreA", "StoreB"], { lb: 0, ub: 1000 });
-
-// 2D 网格坐标 (例如 8x8 棋盘)
-const board = m.binary(8, 8, { prefix: "queen" });
-
-// Big-M 条件约束: 若工厂关闭 (openCity['Tokyo'] == 0)，则 flow <= 0
-// (省略 M 时，WaSHI 会根据变量的有限上下界自动推导紧凑安全的 Big-M)
-m.indicator(openCity["Tokyo"], expr`${flow["F1"]["StoreA"]} <= 0`, {
-  activeValue: 0,
-  name: "tokyo_closed_no_flow",
-});
-
-// 支持实时进度回调 (onProgress) 与 AbortSignal 取消
-const controller = new AbortController();
-await m.solve({
-  signal: controller.signal,
-  onProgress: (ev) => {
-    // 实时指标: ev.elapsedTime, ev.objectiveValue, ev.objectiveBound, ev.mipGap
-  },
-});
-
-// 独立校验变量边界、整数性以及线性/逻辑约束
-const report = m.validateSolution();
-console.log("解验证通过？", report.valid);
-```
-
----
+import { Model, expr, minimize } from "@ohtaman/washi";
 
-### 2. 投资组合风险最小化 (凸二次规划: QP)
+const m = new Model("TransportPlanning");
+const factories = ["Tokyo", "Osaka"];
+const stores = ["StoreA", "StoreB"];
+const costs = {
+  Tokyo: { StoreA: 4, StoreB: 7 },
+  Osaka: { StoreA: 8, StoreB: 3 },
+};
 
-在满足预期收益与预算约束的前提下，基于协方差矩阵最小化投资组合风险：
+const open = m.binary(factories);
+const ship = m.continuous(factories, stores, { lb: 0, ub: 500 });
 
-```ts
-import { Model, QuadExpr, sum, dot, minimize, expr } from "@ohtaman/washi";
-
-const m = new Model("MarkowitzPortfolio");
-const assets = ["Tech", "Bonds", "RealEstate"];
-const returns = [0.14, 0.04, 0.08];
-
-// 决策变量: 各资产投资权重 (0.0 ~ 1.0)
-const w = m.continuous(assets, { lb: 0, ub: 1 });
-
-// 1. 预算约束: 资金分配总额 100%
-m.constraint(expr`${sum(assets, (a) => w[a])} == 1.0`, "budget");
-
-// 2. 目标回报率: 组合最低回报率 >= 8.5%
-const retMap = Object.fromEntries(assets.map((a, i) => [a, returns[i]]));
-m.constraint(expr`${dot(retMap, w)} >= 0.085`, "min_return");
-
-// 3. 资产协方差矩阵 (风险与相关性)
-const cov = [
-  [0.040, 0.002, 0.015],
-  [0.002, 0.005, 0.002],
-  [0.015, 0.002, 0.025],
-];
-
-// 二次目标函数: w^T * Cov * w
-let risk = new QuadExpr();
-for (let i = 0; i < assets.length; i++) {
-  for (let j = 0; j < assets.length; j++) {
-    risk = risk.add(w[assets[i]].mul(w[assets[j]]).mul(cov[i][j]));
-  }
-}
-m.objective(minimize(risk));
+// 若东京工厂关闭 (open["Tokyo"] == 0)，从东京工厂发出的总运输量必须为 0
+m.indicator(open["Tokyo"], expr`sum(${ship["Tokyo"]}) <= 0`, { activeValue: 0 });
+m.constraint(expr`${ship["Tokyo"]["StoreA"]} + ${ship["Osaka"]["StoreA"]} >= 100`, "demand_A");
 
+m.objective(minimize(expr`dot(${costs}, ${ship})`));
 await m.solve();
-console.log(`最小方差: ${m.objectiveValue?.toFixed(6)}`);
-assets.forEach((name) => {
-  console.log(`  ${name}: ${((w[name].value || 0) * 100).toFixed(2)}%`);
-});
-```
 
----
+console.log("Tokyo -> StoreA:", ship["Tokyo"]["StoreA"].value);
+```
 
-### 3. SMT 逻辑与规则引擎 (集成 Z3)
+### 2. 凸二次规划 (QP)
 
-原生支持布尔命题变量（`BoolVar`）、逻辑连接词（`and`, `or`, `implies`, `not`, `xor`）与数值算术约束的混合表达：
+在线性约束下最小化二次目标函数：
 
 ```ts
-import { Model, not, expr } from "@ohtaman/washi";
-import "@ohtaman/washi/solvers/z3";
-
-const m = new Model({ name: "SmartSecurityRules" });
-
-const isNight = m.bool("isNight");
-const motion = m.bool("motion");
-const alarm = m.bool("alarm");
-const siren = m.bool("siren");
-const lux = m.integer("lux", { lb: 0 });
+import { Model, expr, minimize } from "@ohtaman/washi";
 
-// 规则定义
-m.constraint(lux.le(50).implies(isNight), "dark_implies_night");
-m.constraint(motion.and(isNight).and(alarm).implies(siren), "alarm_rule");
+const m = new Model("PortfolioQP");
+const x = m.continuous("tech", { lb: 0, ub: 1 });
+const y = m.continuous("bonds", { lb: 0, ub: 1 });
 
-// 传感器当前输入数据
-m.constraint(expr`${lux} <= 10`, "sensor_dark");
-m.constraint(motion, "sensor_motion");
-m.constraint(alarm, "alarm_on");
+m.constraint(expr`${x} + ${y} == 1`, "budget");
+m.constraint(expr`0.14 * ${x} + 0.04 * ${y} >= 0.08`, "min_return");
+m.objective(minimize(expr`0.04 * ${x}^2 + 0.005 * ${y}^2`));
 
-// 无目标函数直接判定可满足性 (SAT)
-const res = await m.check({ solver: "z3" });
-
-console.log(`系统状态满足？ ${res.status === "Sat"}`); // true
-console.log(`警报响起？ ${m.values.get("siren")}`); // true
+await m.solve();
+console.log(`Tech: ${x.value?.toFixed(2)}, Bonds: ${y.value?.toFixed(2)}`);
 ```
 
----
-
-### 4. 约束冲突根因诊断 (`conflicts` / `unsatCore`)
+### 3. SMT 逻辑规则与冲突诊断 (`m.check`)
 
-当规则或约束之间存在矛盾时，Z3 能够提取引发冲突的**矛盾约束子集**（Unsat Core / Conflicts，不保证最小性；需使用 Z3）：
+表达逻辑蕴含规则并排查不可行原因：
+- **HiGHS（默认）**：提取**弹性修复集合**（`res.conflicts`），即松弛后可恢复可行性的约束。
+- **Z3**：提取精确的 **SMT 不可满足核心**（`res.unsatCore` / `res.conflicts`），即相互矛盾的约束子集。
 
 ```ts
-import { Model, expr } from "@ohtaman/washi";
-import "@ohtaman/washi/solvers/z3";
+import { Model, implies, expr } from "@ohtaman/washi";
+// import "@ohtaman/washi/solvers/z3"; // 可选：使用 Z3 提取精确 SMT unsatCore
 
-const m = new Model({ name: "ConflictDiagnosis", solver: "z3" });
+const m = new Model("StaffingRules");
 const engineers = m.integer("engineers", { lb: 0, ub: 20 });
 const budget = m.continuous("budget", { lb: 0, ub: 100000 });
-const rushDelivery = m.bool("rushDelivery");
+const rush = m.bool("rush");
 
-// 规则 1: 每位工程师成本 $8,000
 m.constraint(expr`8000 * ${engineers} <= ${budget}`, "budget_limit");
+m.constraint(rush, "rush_required");
+m.constraint(implies(rush, expr`${engineers} >= 8`), "rush_staffing");
+m.constraint(expr`${budget} <= 50000`, "budget_cap"); // 冲突: 8人 * $8,000 > $50,000
+m.constraint(expr`${engineers} >= 1`, "min_staff");   // 无关规则
 
-// 规则 2: 客户要求加急交付
-m.constraint(rushDelivery, "rush_required");
-
-// 规则 3: 加急交付需至少配备 8 名工程师
-m.constraint(rushDelivery.implies(engineers.ge(8)), "rush_staffing_rule");
-
-// 规则 4: 董事会严格预算上限 $50,000 (冲突点: 8人 * $8,000 = $64,000 > $50,000!)
-m.constraint(expr`${budget} <= 50000`, "strict_board_budget_cap");
-
-// 规则 5: 最低 1 名员工用工底线（无关规则）
-m.constraint(expr`${engineers} >= 1`, "minimum_one_employee");
-
-const res = await m.check({ solver: "z3" });
-
-console.log(`求解状态: ${res.status}`); // "Unsat"
-console.log("冲突约束子集:", res.conflicts);
-// 输出: ["budget_limit", "rush_required", "rush_staffing_rule", "strict_board_budget_cap"]
-// 注：无关的 "minimum_one_employee" 被准确排除在外！
-```
-
----
-
-### 5. 使用 GLPK 求解器 (GPL-3.0)
-
-使用 GNU Linear Programming Kit (GLPK) 求解器插件：
-
-```ts
-import { Model, expr, maximize } from "@ohtaman/washi";
-import "@ohtaman/washi/solvers/glpk";
-
-const m = new Model({ solver: "glpk" });
-const x = m.integer("x", { lb: 0 });
-const y = m.integer("y", { lb: 0 });
-
-m.objective(maximize(expr`30 * ${x} + 50 * ${y}`));
-m.constraint(expr`${x} + 2 * ${y} <= 40`, "wood_limit");
-m.constraint(expr`2 * ${x} + ${y} <= 50`, "labor_limit");
-
-const status = await m.solve();
-console.log(`求解状态: ${status}`); // "Optimal"
-console.log(`目标函数值: ${m.objectiveValue}`); // 1100
-```
-
----
-
-### 6. 向量运算与高效点积 (`dot`)
-
-无需嵌套循环，一行代码完成一维和二维变量的线性组合：
-
-```ts
-import { Model, dot, minimize } from "@ohtaman/washi";
-
-const m = new Model();
-const factories = ["Tokyo", "Osaka"];
-const stores = ["StoreA", "StoreB"];
-
-const costs = {
-  Tokyo: { StoreA: 4, StoreB: 7 },
-  Osaka: { StoreA: 8, StoreB: 3 },
-};
-
-const ship = m.continuous(factories, stores);
-
-// 一行代码最小化总运输成本:
-m.objective(minimize(dot(costs, ship)));
-await m.solve();
-
-// 获取所有变量的最优取值结构
-const solution = m.getValues(ship);
-console.log(solution);
+const res = await m.check(); // 或 await m.check({ solver: "z3" })
+console.log(res.status);     // "Unsat"
+console.log(res.conflicts);  // HiGHS: ["rush_required"]
 ```
 
 ---
 
 ## 🌐 浏览器与 Web Worker 使用指南
 
-HiGHS 默认使用包内的 WASM，**不会自动回退到 CDN**。Node.js 使用已安装的 HiGHS；Vite / webpack 5 可以根据包内的 WASM 和 Worker 引用生成部署文件。
-
-### npm 与构建工具
-
-```typescript
-import { Model } from "@ohtaman/washi";
-const model = new Model();
-// 定义变量、目标函数和约束
-await model.solve();
-```
-
-在验证的 Vite / webpack 构建中，不需要手动复制 WASM 或配置 URL。其他构建工具及 SSR 需要单独验证；浏览器求解应在客户端执行。浏览器默认使用 Worker。简单演示可以使用 `model.solve({ useWorker: false })`，但较长的计算会阻塞 UI。
-
-### 浏览器原生 ESM（无需应用构建）
-
-通过 HTTP 提供整个 `dist/browser` 目录，包括 JS 分块、`highs.wasm` 和 Worker。不需要 Import Maps。
+- **打包工具 (Vite / webpack 5)**：直接 `import { Model } from "@ohtaman/washi"` 即可。浏览器默认在 Web Worker 中求解；传入 `{ useWorker: false }` 可在主线程执行。
+- **原生 ESM / Script 标签 / CDN**：部署 `dist/browser/` 目录（含 `highs.wasm` 与 Worker 资源）或从 CDN 加载。
 
 ```html
+<!-- 浏览器原生 ESM -->
 <script type="module">
   import { Model } from "./washi/washi.js";
-  const model = new Model();
-  // 定义变量、目标函数和约束
-  await model.solve({ useWorker: false });
+  // 可选求解器插件: import "./washi/solvers/glpk.js" 或 "./washi/solvers/z3.js"
+  const m = new Model();
+  await m.solve();
 </script>
-```
-
-### 普通 script / CodePen
 
-`dist/browser/washi.min.js` 导出全局 API `Washi`。将其 URL 添加到 CodePen 的 External Scripts，或使用：
-
-```html
-<script src="./washi/washi.min.js"></script>
-<script>
-  const model = new Washi.Model();
-  // 定义变量、目标函数和约束
-  model.solve({ useWorker: false }).then(status => console.log(status));
-</script>
-```
-
-若通过 CDN 加载，可使用 `https://cdn.jsdelivr.net/npm/@ohtaman/washi@<version>/dist/browser/washi.min.js`（待包含相应 API 的版本发布后指定该版本号）。ESM 使用同版本的 `dist/browser/washi.js`。选择 CDN URL 就是显式使用 CDN；本地部署不会自动改用外部 CDN。
-
-### 浏览器环境中的求解器插件（GLPK & Z3）
-
-浏览器发布包在 `dist/browser/solvers/` 下提供了开箱即用的独立求解器插件：
-- **GLPK**: `dist/browser/solvers/glpk.js` (ESM) 与 `dist/browser/solvers/glpk.min.js` (IIFE，挂载全局 `WashiGLPK`)
-- **Z3**: `dist/browser/solvers/z3.js` (ESM) 与 `dist/browser/solvers/z3.min.js` (IIFE，挂载全局 `WashiZ3`)，附带 `z3-built.js` 和 `z3-built.wasm`
-
-#### 浏览器 ESM 使用 GLPK
-```html
-<script type="module">
-  import { Model, maximize } from "./washi/washi.js";
-  import "./washi/solvers/glpk.js";
-
-  const model = new Model({ solver: "glpk" });
-  const x = model.continuous("x", { lb: 0, ub: 10 });
-  model.objective(maximize(x));
-  await model.solve();
-  console.log("GLPK 求解状态:", model.status);
-</script>
-```
-
-#### 原生脚本标签使用 GLPK
-```html
-<script src="./washi/washi.min.js"></script>
-<script src="./washi/solvers/glpk.min.js"></script>
-<script>
-  const model = new Washi.Model({ solver: "glpk" });
-  const x = model.continuous("x", { lb: 0, ub: 10 });
-  model.objective(Washi.maximize(x));
-  model.solve().then(status => console.log("GLPK 求解状态:", status));
-</script>
+<!-- Script 标签 / CodePen (挂载全局变量 Washi) -->
+<script src="https://cdn.jsdelivr.net/npm/@ohtaman/washi/dist/browser/washi.min.js"></script>
 ```
 
 > [!NOTE]
-> **浏览器环境中使用 Z3 的配置要求与跨源隔离**：
-> 由于 Z3 的 WebAssembly 引擎依托多线程 (`SharedArrayBuffer`)，现代浏览器强制要求跨源隔离（`Cross-Origin-Opener-Policy: same-origin` 与 `Cross-Origin-Embedder-Policy: require-corp`）。关于静态托管（`coi-serviceworker.js`）、离线/内网部署、CSP（`worker-src blob:`）与自定义 WASM URL（`setHighsWasmUrl`）的完整说明，请参阅 [跨源隔离指南](docs/zh/getting-started/cross-origin.md) 与 [运行时环境配置](docs/zh/getting-started/runtimes.md)。
-
-完整独立的 ESM、Script 标签与 CodePen 示例请参阅 [`examples/distribution/`](examples/distribution/README.md)。
-
----
-
-## 🛠️ 自定义求解器开发与架构扩展
-
-WaSHI 采用完全解耦的插件式求解器架构。你可以轻松编写并注册自定义求解器适配器（如云端 REST 求解服务、定制 WebAssembly 引擎或商业求解器）：
-
-- 完整开发指南、接口契约（`Solver`, `SolveModelData`, `CheckModelData`, `SolverResult`）与测试实践详见 [自定义求解器开发指南](docs/zh/solvers/custom-solver.md)。
+> **浏览器中使用 Z3**：Z3 的 WebAssembly 引擎依赖 `SharedArrayBuffer`，需要配置跨源隔离响应头（`COOP: same-origin` 与 `COEP: require-corp`）。详见[跨源隔离指南](docs/zh/getting-started/cross-origin.md)与 [`examples/distribution/`](examples/distribution/README.md)。
 
 ---
 
-## 📚 文档指南
+## 🤝 参与开发与贡献
 
-完整文档可在 **[ohtaman.github.io/washi/zh/](https://ohtaman.github.io/washi/zh/)** 及仓库的 [`docs/zh/`](docs/zh/)（[英文版 `docs/`](docs/)）中查阅：
-
-- **快速上手**: [快速开始](docs/zh/getting-started/index.md) · [AI 编程助手快速参考](docs/zh/getting-started/ai-agents.md) · [运行时环境配置](docs/zh/getting-started/runtimes.md) · [跨源隔离指南 (Z3)](docs/zh/getting-started/cross-origin.md)
-- **建模指南**: [决策变量 (`Var`, `BoolVar`)](docs/zh/guide/variables.md) · [表达式与聚合 (`expr`, `sum`, `dot`)](docs/zh/guide/expressions.md) · [约束与逻辑条件 (`indicator`, SMT)](docs/zh/guide/constraints.md) · [目标函数与求解 (`solve`, `validateSolution`)](docs/zh/guide/objectives.md) · [可满足性与 Unsat Core (`check`)](docs/zh/guide/unsat-core.md)
-- **求解器**: [求解器概览](docs/zh/solvers/index.md) · [HiGHS](docs/zh/solvers/highs.md) · [Z3](docs/zh/solvers/z3.md) · [GLPK](docs/zh/solvers/glpk.md) · [自定义求解器](docs/zh/solvers/custom-solver.md)
+关于本地开发、运行测试与基准测试、重新构建 WebAssembly 资源以及发布流程，请参阅 [CONTRIBUTING.md](./CONTRIBUTING.md)。
 
 ---
 
-## 💻 示例与浏览器演示
-
-[示例目录](https://github.com/ohtaman/washi/blob/main/examples/README.md)与[在线案例与 API 索引](https://ohtaman.github.io/washi/zh/examples/)按问题类别和 WaSHI API 功能汇总了源码链接及本地运行方法。
+## 🙏 致谢
 
-| 类别 | 示例 | 展示内容 | 求解器 |
-| :--- | :--- | :--- | :--- |
-| **基础模型** | [生产计划](https://github.com/ohtaman/washi/blob/main/examples/node/01-production-planning.ts) | 整数变量、利润目标与资源约束 (`expr`) | HiGHS |
-| **基础模型** | [运输与分配网络](https://github.com/ohtaman/washi/blob/main/examples/node/09-transportation-problem.ts) | 二维矩阵变量 (`continuous(rows, cols)`) 与供需平衡 | HiGHS |
-| **基础模型** | [营养问题与灵敏度分析](https://github.com/ohtaman/washi/blob/main/examples/node/10-diet-sensitivity.ts) | 影子价格 (`constr.dual`)、松弛量 (`constr.slack`) 与缩减成本 (`var.reducedCost`) | HiGHS |
-| **实战应用** | [员工排班与冲突诊断](https://github.com/ohtaman/washi/blob/main/examples/node/11-shift-scheduling.ts) | 周排班优化与周六休假冲突诊断 | HiGHS + Z3 |
-| **实战应用** | [购物车优惠券最优组合](https://github.com/ohtaman/washi/blob/main/examples/node/12-ecommerce-coupon-optimizer.ts) | 满减门槛条件约束 (`indicator`)、互斥规则与凑单推荐 | HiGHS |
-| **实战应用** | [投资组合分配](https://github.com/ohtaman/washi/blob/main/examples/node/03-portfolio-qp.ts) | 凸二次目标函数 (`QuadExpr`) 与分配约束 | HiGHS |
-| **逻辑 / SMT** | [业务规则检查](https://github.com/ohtaman/washi/blob/main/examples/node/04-smt-security-rules.ts) | 算术与逻辑约束 (`bool`, `implies`) 的可满足性检查 | Z3 |
-| **逻辑 / SMT** | [冲突诊断](https://github.com/ohtaman/washi/blob/main/examples/node/05-unsat-core-diagnosis.ts) | 命名约束与 Unsat Core (`unsatCore`) | Z3 |
-
-在[在线浏览器演示](https://ohtaman.github.io/washi/demo/)中可以编辑并运行模型。浏览器 ESM、script 标签和 CodePen 的用法请参阅[分发示例](https://github.com/ohtaman/washi/blob/main/examples/distribution/README.md)。Z3 需要跨源隔离；具体要求见上方浏览器说明。
-
-本地运行前，请克隆仓库并安装开发依赖：
-
-```bash
-git clone https://github.com/ohtaman/washi.git
-cd washi
-npm ci
-npx tsx examples/node/01-production-planning.ts
-npx tsx examples/node/09-transportation-problem.ts
-npx tsx examples/node/10-diet-sensitivity.ts
-npx tsx examples/node/11-shift-scheduling.ts
-npx tsx examples/node/12-ecommerce-coupon-optimizer.ts
-
-# 本地浏览器演示: http://localhost:5173/demo/
-npm run dev
-```
-
-示例导入仓库的 `src/` 模块。使用已发布软件包的应用应改为导入 `@ohtaman/washi` 及所需的求解器插件。
-
----
-
-## 🧪 自动化测试与可复现基准测试
-
-运行仓库的单元测试与集成测试，并构建分发版本：
-
-```bash
-# 运行全部单元与集成测试
-npm test
-
-# 构建生产级依赖包与 TypeScript 类型定义
-npm run build
-```
-
-### 可选的可复现基准测试
-
-在不将耗时阈值混入正确性测试断言的前提下，对确定性的 `small-lp`（24 个变量、18 条约束）和 `scheduling-mip`（315 个变量、231 条约束，含重建模型的 `initialValue` 热启动）进行分阶段性能测量：
-
-```bash
-# 运行 Node.js 进程内 WASM 基准测试（HiGHS 与 GLPK，默认 5 次热重复）
-npm run bench
-
-# 自定义重复次数或输出 JSON
-node scripts/run-benchmarks.mjs --iterations=10 --json
-
-# 同时测量无头 Chromium Web Worker 执行（需要安装 Playwright Chromium）
-node scripts/run-benchmarks.mjs --browser
-```
+WaSHI 的诞生离不开数理优化与自动推理开源社区的卓越工作：
 
-- **明确的测量边界**：将冷启动初始化（`coldRuntimeInitMs`、`coldFirstSolveMs`）与复用运行时的重复测量（`modelBuildMs`、`validationMs`、LP 字符串适配器的 `lpSerializationMs` 或结构化适配器的 `symbolMapMs`、基于 `MockSolver` 的 `resultMappingMs`、`adapterSolveMs` 以及 `endToEndSolveMs`）分开直接测量，不通过相减来臆造“原生求解器时间”。
-- **区分不同执行环境**：Node.js 进程内 WASM（`usesBrowserWorker: false`）与浏览器 Web Worker 执行（`usesBrowserWorker: true`，包含 Worker 生命周期与 `postMessage` 结构化克隆传输）作为不同执行环境分别报告，不可直接互换作基线。
+- **[HiGHS](https://highs.dev/)**（[`ERGO-Code/HiGHS`](https://github.com/ERGO-Code/HiGHS)）— 发源于爱丁堡大学、由 Julian Hall、Qi Huangfu、Ivet Galabova、Leona Gottwald、Michael Feldmeier 及社区贡献者共同打造的高性能开源 LP / MIP / 凸 QP 求解器，驱动了 WaSHI 的内置默认引擎（*Huangfu & Hall, Mathematical Programming Computation, 2018*, [DOI: 10.1007/s12532-017-0130-5](https://doi.org/10.1007/s12532-017-0130-5)）。
+- **[Z3 Theorem Prover](https://github.com/Z3Prover/z3)**（[`z3-solver`](https://www.npmjs.com/package/z3-solver)）— 由 Microsoft Research 研发，驱动了 WaSHI 可选的 SMT 可满足性判定与精确 `unsatCore` 冲突诊断插件。
+- **[GLPK](https://www.gnu.org/software/glpk/) & [`glpk.js`](https://github.com/jvail/glpk.js)** — 驱动了 WaSHI 可选的 GPL-3.0 LP / MIP 求解器插件。
+- **[PuLP](https://github.com/coin-or/pulp)** — 启发了 WaSHI 声明式代数建模 API 的设计。
 
 ---
 
 ## 📄 许可证
 
 - **`@ohtaman/washi`**: [MIT 许可证](./LICENSE)
-- **HiGHS**（默认求解器）: MIT 许可证
-- **Z3**（可选插件）: MIT 许可证
-- **GLPK**（可选插件）: GPL-3.0 许可证
+- **内置与可选引擎**: HiGHS (MIT)、Z3 (MIT)、GLPK (GPL-3.0)。完整许可说明请参阅 [THIRD_PARTY_LICENSES.md](./THIRD_PARTY_LICENSES.md)。

package/THIRD_PARTY_LICENSES.md

@@ -8,15 +8,16 @@ Depending on the solver you choose at runtime, WaSHI interacts with the followin
 
 ## 1. HiGHS (Default Solver)
 
-- **Role**: Default Linear & Mixed-Integer Programming Engine (WebAssembly)
-- **Package**: [`highs`](https://www.npmjs.com/package/highs)
+- **Role**: Default Linear, Mixed-Integer & Convex Quadratic Programming Engine (WebAssembly)
 - **License**: **MIT License**
-- **Upstream Repository**: [ERGO-Code/HiGHS](https://github.com/ERGO-Code/HiGHS) / [lovasoa/highs-js](https://github.com/lovasoa/highs-js)
+- **Official Website**: [https://highs.dev/](https://highs.dev/)
+- **Upstream Repository**: [ERGO-Code/HiGHS](https://github.com/ERGO-Code/HiGHS)
+- **Compilation**: Directly compiled from official upstream source (`v1.15.1`, pure MIT build without optional METIS/AMD/BLAS dependencies) to WebAssembly via native C API (`highs_c_api.h`)
+- **Embedded Third-Party Notices**: Upstream HiGHS includes permissive header-only components (such as `filereaderlp` and `pdqsort`); see upstream [`THIRD_PARTY_NOTICES.md`](https://github.com/ERGO-Code/HiGHS/blob/v1.15.1/THIRD_PARTY_NOTICES.md) for full details.
 
 ```text
 MIT License
 
-Copyright (c) 2023 highs-js
 Copyright (c) 2026 HiGHS
 
 Permission is hereby granted, free of charge, to any person obtaining a copy