math-skill 1.0.0 → 2.1.0

package/skills/modeling/SKILL.md

@@ -1,318 +1,139 @@
----
-name: modeling
-description: |
-  科研模式触发：当需要构建数学模型、设计实验、预测物理现象、进行量纲分析与模型选择时调用。
-  生活模式触发：当需要规划预算、选择路线、评估风险、简化复杂生活决策、将模糊问题理清时调用。
-  English (Research mode): Trigger when building mathematical models, designing experiments, predicting physical phenomena, performing dimensional analysis and model selection.
-  English (Life mode): Trigger when planning budgets, choosing routes, assessing risk, simplifying complex life decisions, clarifying ambiguous problems.
----
-
-# 🌉 建模思想 / Modeling Thinking
-
-> "将现实世界的问题转化为数学问题，通过求解数学问题来解释和预测现实。所有模型都是错的，但有些是有用的。"
-> "Transforming real-world problems into mathematical problems, solving them mathematically to explain and predict reality. All models are wrong, but some are useful."
->
-> —— 应用数学、数学建模 / Applied Mathematics, Mathematical Modeling
-
-## 核心原则 / Core Principle
-
-**模型是现实的简化表示，不是现实本身。一个好的模型不是"真实"的模型，而是在其适用范围内能做出准确预测的模型。**
-
-**A model is a simplified representation of reality, not reality itself. A good model is not a 'true' model, but one that makes accurate predictions within its scope of applicability.**
-
-建模的黄金循环：
-1. **现实问题 → 数学问题**（翻译 / Translation）
-2. **数学问题 → 数学解**（求解 / Solution）
-3. **数学解 → 现实解释**（回译 / Back-translation）
-4. **现实解释 → 实验验证**（检验 / Verification）
-
-> **数学形式化 / Mathematical Formalization**（科研模式参考）
->
-> **量纲分析与 Buckingham Pi 定理 / Dimensional Analysis & Buckingham Pi Theorem**：在建立方程之前，必须检查量纲一致性。若系统有 n 个物理量涉及 m 个基本量纲，则可构造 k = n − m 个无量纲 Pi 项，从而减少变量个数、简化方程形式。量纲不一致的方程是物理上不可接受的。
->
-> *Before writing equations, check dimensional consistency. If a system has n physical quantities involving m fundamental dimensions, one can construct k = n − m dimensionless Pi groups, reducing the number of variables and simplifying the equation. Dimensionally inconsistent equations are physically inadmissible.*
->
-> **模型规格 / Model Specification**：设系统输出为 y，输入变量为 x₁, …, xₚ，则模型可写作 y = f(x₁, …, xₚ; θ) + ε，其中 f 为模型函数，θ 为参数向量，ε 为误差项。模型选择的核心是在候选集合 {f₁, f₂, …} 中选出偏差-方差最优的 f。
->
-> *Let system output be y and inputs x₁, …, xₚ. A model can be written as y = f(x₁, …, xₚ; θ) + ε, where f is the model function, θ is the parameter vector, and ε is the error term. Model selection chooses the bias-variance optimal f from candidate set {f₁, f₂, …}.*
-
-> 详细数学依据见 `original-texts.md`
-
-## 不适用场景 / When NOT to Use
-
-- **问题无法量化或结构化** [科研/通用]——建模需要可定义的变量和关系 / Problems cannot be quantified or structured — modeling requires definable variables and relations
-- **只需要定性理解** [科研/通用]（如"这个现象大概是怎么回事"）——建模会过度精确 / Only qualitative understanding needed — modeling over-specifies
-- **缺乏基本数据** [科研]——没有数据的模型只是猜测 / Insufficient data — a model without data is mere speculation
-- **时间极其紧迫且决策依赖直觉** [生活]——建模需要思考时间，紧急直觉决策来不及建模 / Time extremely tight and decision relies on intuition — modeling needs thinking time unavailable in urgent intuitive decisions
-
-## 何时使用 / When to Use
-
-### 科研触发条件 / Research Triggers
-
-- 需要将一个现实问题用数学语言精确表述 / Need to express a real-world problem precisely in mathematical language
-- 构建科研模型来解释实验数据或预测新现象 / Building scientific models to explain data or predict new phenomena
-- 需要理解复杂系统中各因素的相互作用 / Understanding interactions among factors in a complex system
-- 进行量纲分析、模型选择与敏感度分析 / Performing dimensional analysis, model selection, and sensitivity analysis
-
-### 生活触发条件 / Life Triggers
-
-- 规划预算分配——钱怎么花最合理 / Planning budget allocation — how to spend money most reasonably
-- 选择路线——多条路径哪条最优 / Choosing routes — which path among several is optimal
-- 评估风险——某个决策的风险有多大 / Assessing risk — how large is the risk of a decision
-- 简化复杂生活情境——把混乱的问题理出头绪 / Simplifying complex life situations — bringing order to messy problems
-- 需要把模糊的纠结变成清晰的判断 / Need to turn vague indecision into clear judgment
-
-## 方法流程 / Method
-
-### 第一步：明确现实问题 / Step 1: Clarify the Real-World Problem
-
-#### 科研模式 / Research Mode
-
-用最清晰的语言描述你要解决的问题。关键问题：
-- 系统的**输入**是什么？ / What are the system's **inputs**?
-- 系统的**输出**是什么？ / What are the system's **outputs**?
-- 系统的**目标**是什么？（预测？解释？优化？）/ What is the **goal**? (Prediction? Explanation? Optimization?)
-
-#### 生活模式 / Life Mode
-
-搞清楚你到底要解决什么问题——不是"我需要规划"而是"我要在什么限制下达到什么目标"。把模糊的纠结变成一句话："在[约束条件]下，如何[达成目标]？"
-
-*Figure out exactly what problem you're solving — not "I need to plan" but "under [constraints], how do I [achieve goal]?" Turn vague indecision into one sentence: "Under [constraints], how to [achieve goal]?"*
-
-#### 共通要点 / Shared Essentials
-
-核心都是把模糊的问题变成清晰的界定。建模的第一步永远是"到底要解决什么"。
-
-*The core is turning vague problems into clear definitions. The first step of modeling is always "what exactly are we solving?"*
-
-### 第二步：做出假设 / Step 2: Make Assumptions
-
-#### 科研模式 / Research Mode
-
-这是建模中最关键也最危险的一步。所有模型都需要简化，但必须**明确记录每一个假设**：
-- 哪些因素是重要的？哪些可以忽略？ / Which factors matter? Which can be neglected?
-- 系统是确定性的还是随机的？ / Is the system deterministic or stochastic?
-- 系统是静态的还是动态的？ / Is the system static or dynamic?
-- 变量之间是线性的还是非线性的？ / Are variable relations linear or nonlinear?
-
-#### 生活模式 / Life Mode
-
-简化问题——哪些因素是核心的必须考虑，哪些是次要的可以先忽略？你的简化是否保留了关键信息？不要试图考虑所有因素，但也不能忽略真正重要的那些。
-
-*Simplify the problem — which factors are core and must be considered, which are secondary and can be temporarily ignored? Does your simplification retain key information? Don't try to consider everything, but don't ignore what truly matters.*
-
-#### 共通要点 / Shared Essentials
-
-所有建模都需要简化，关键是简化而不丢失本质。每个假设都要有依据。
-
-*All modeling requires simplification; the key is to simplify without losing the essence. Every assumption needs justification.*
-
-### 第三步：建立数学结构 / 量纲分析 / Step 3: Build the Mathematical Structure / Dimensional Analysis
-
-#### 科研模式 / Research Mode
-
-根据假设，选择合适的数学框架：
-- **变量间的因果关系** → 微分方程 / 差分方程 / Causal relations → ODE/PDE, difference equations
-- **空间分布与传播** → 偏微分方程（热传导、波动、扩散）/ Spatial distribution → PDE (heat, wave, diffusion)
-- **离散对象的关系** → 图论 / Discrete object relations → Graph theory
-- **不确定性下的决策** → 概率模型 / Decision under uncertainty → Probabilistic models
-- **资源分配** → 优化模型 / Resource allocation → Optimization
-- **群体行为与交互** → 统计模型 / 马尔可夫链 / Agent-based models / Population behavior → Statistical models, Markov chains, ABM
-- **分类与预测** → 函数逼近 / 回归模型 / Classification & prediction → Function approximation, regression
-
-量纲分析：建立方程前必须检查量纲一致性，构造无量纲 Pi 项以减少变量、简化方程。量纲不一致的方程物理上不可接受。
-
-*Dimensional analysis: before writing equations, check dimensional consistency and form dimensionless Pi groups to reduce variables and simplify equations. Dimensionally inconsistent equations are physically inadmissible.*
-
-#### 生活模式 / Life Mode
-
-搭建框架——把核心因素之间的关系理清楚，不需要公式，但需要搞清楚"什么影响什么"以及"影响有多大"。画一张关系图：哪些因素互相影响，影响的方向和强度。
-
-*Set up the framework — clarify relationships among core factors. No formulas needed, but you need to understand "what affects what" and "how much." Draw a relationship map: which factors influence each other, direction and strength of influence.*
-
-#### 共通要点 / Shared Essentials
-
-建模的核心是刻画因素间的关系——科研用数学语言，生活用逻辑语言，本质相同。
-
-*The core of modeling is characterizing relationships among factors — research uses mathematical language, life uses logical language, but the essence is the same.*
-
-### 第四步：求解 / Step 4: Solve
-
-#### 科研模式 / Research Mode
-
-用数学方法求解模型。注意：
-- **解析解**（精确但可能不存在）/ Analytical solutions (exact but may not exist)
-- **数值解**（近似但总能得到）/ Numerical solutions (approximate but always obtainable)
-- **定性分析**（不求具体解，只求性质）/ Qualitative analysis (study properties without explicit solutions)
-
-#### 生活模式 / Life Mode
-
-在框架下推导结论——如果A增加会导致B减少，且C限制了A的范围，那么B的最可能值是什么？用逻辑推理代替数学推导，得出"最可能的结论"。
-
-*Derive conclusions within the framework — if increasing A leads to decreasing B, and C limits the range of A, what is the most likely value of B? Use logical reasoning instead of mathematical derivation to reach "the most probable conclusion."*
-
-#### 共通要点 / Shared Essentials
-
-求解的目标都是从已知条件和关系中推出结论——科研用数学运算，生活用逻辑推理。
-
-*The goal of solving is always deriving conclusions from known conditions and relationships — research uses mathematical operations, life uses logical reasoning.*
-
-### 第五步：解释与验证 / Step 5: Interpret and Validate
-
-#### 科研模式 / Research Mode
-
-- 将数学解翻译回现实语言 / Translate mathematical solutions back to real-world language
-- 与已有数据或实验结果对比 / Compare with existing data or experimental results
-- 检查模型预测是否合理（sanity check）/ Sanity check predictions
-
-#### 生活模式 / Life Mode
-
-结论回到现实中是否站得住脚？——和你的经验一致吗？如果不一致，是哪里出了问题？如果模型说"这样做最优"，但你的直觉觉得不对，那就需要回头检查假设。
-
-*Does the conclusion hold up in reality? — Is it consistent with your experience? If not, where did things go wrong? If the model says "this is optimal" but your intuition disagrees, go back and check assumptions.*
-
-#### 共通要点 / Shared Essentials
-
-模型的结论必须回到现实中检验。与现实不符的结论无论多"漂亮"都是无效的。
-
-*Model conclusions must be tested against reality. Conclusions inconsistent with reality are invalid no matter how "beautiful."*
-
-### 第六步：敏感度分析与模型选择 / Step 6: Sensitivity Analysis & Model Selection
-
-#### 科研模式 / Research Mode
-
-**敏感度分析**：检验模型输出对输入参数的依赖程度。若某参数的小扰动导致输出大幅变化，则该参数为敏感参数，需重点关注其取值精度。
-
-**Sensitivity Analysis**: Examine how model outputs depend on input parameters. If a small perturbation in a parameter causes large output variation, that parameter is sensitive and requires careful estimation.
-
-**偏差-方差权衡**：简单模型偏差高、方差低（欠拟合风险）；复杂模型偏差低、方差高（过拟合风险）。最优模型在偏差与方差之间取得平衡。
-
-**Bias-Variance Tradeoff**: Simple models have high bias and low variance (underfitting risk); complex models have low bias and high variance (overfitting risk). The optimal model balances bias and variance.
-
-**模型选择准则**：
-- AIC = −2 log L + 2k（倾向于选择更复杂模型，适用于预测目标）/ AIC = −2 log L + 2k (favors slightly more complex models, suited for prediction)
-- BIC = −2 log L + k · log(n)（惩罚更重，倾向于选择更简约模型，适用于解释目标）/ BIC = −2 log L + k · log(n) (heavier penalty, favors parsimony, suited for explanation)
-- 交叉验证（CV）：评估样本外预测性能，防止过拟合 / Cross-validation: assess out-of-sample predictive performance, guard against overfitting
-
-#### 生活模式 / Life Mode
-
-如果假设条件变了，结论还成立吗？——哪些假设最关键，一旦偏差结论就变了？比如"如果收入不是5000而是3000，预算方案还合理吗？"找出最关键的假设，评估它们一旦变化的影响。
-
-*If assumptions change, does the conclusion still hold? — Which assumptions are most critical, such that a deviation changes the conclusion? E.g., "If income is 3000 not 5000, is the budget plan still reasonable?" Identify the most critical assumptions and assess the impact if they shift.*
-
-#### 共通要点 / Shared Essentials
-
-核心问题是"结论的鲁棒性"——结论是否在条件变化时仍然成立。
-
-*The core question is "robustness of the conclusion" — does it hold when conditions change?*
-
-### 第七步：迭代与改进 / Step 7: Iterate and Refine
-
-#### 科研模式 / Research Mode
-
-模型几乎总需要改进。如果模型预测与事实不符：
-- 是哪个假设出了问题？ / Which assumption failed?
-- 是否需要增加新的因素？ / Are new factors needed?
-- 是否需要改变数学框架？ / Should the mathematical framework change?
-
-#### 生活模式 / Life Mode
-
-修正框架——如果验证发现框架不够好，回到前面修正假设或增加因素。建模不是一步到位的，是反复调整的过程。
-
-*Revise the framework — if validation shows the framework isn't good enough, go back and revise assumptions or add factors. Modeling isn't one-step; it's an iterative adjustment process.*
-
-#### 共通要点 / Shared Essentials
-
-模型几乎总需要迭代改进。与现实不符时不是放弃建模，而是修正模型。
-
-*Models almost always need iterative improvement. When results don't match reality, don't abandon modeling — revise the model.*
-
-### 第八步：适用范围声明 / Step 8: Declare the Scope of Applicability
-
-#### 科研模式 / Research Mode
-
-明确标注模型在什么条件下有效、什么条件下失效。所有模型都有边界——适用范围声明是模型的"保质期标签"。
-
-Explicitly state under what conditions the model is valid and when it breaks down. Every model has boundaries — the scope declaration is the model's "expiration label."
-
-#### 生活模式 / Life Mode
-
-明确你的结论适用范围——在什么条件下有效，在什么条件下不可靠。比如"这个预算方案在收入≥4000时合理，低于3000就不适用了"。
-
-*Clarify the scope of your conclusion — under what conditions it's valid, under what conditions it's unreliable. E.g., "This budget plan is reasonable when income ≥ 4000, not applicable below 3000."*
-
-#### 共通要点 / Shared Essentials
-
-所有结论都有边界条件。声明适用范围是防止误用的关键。
-
-*All conclusions have boundary conditions. Declaring scope is the key to preventing misuse.*
-
-## 常见错误 / Common Errors
-
-| 错误 / Error | 数学批评 / Mathematical Critique | 正确做法 / Correct Approach | 标签 / Tag |
-|-------------|-------------------------------|---------------------------|-----------|
-| 过度拟合 / Overfitting | 模型太复杂，拟合了噪声而非信号 / Model fits noise, not signal | 用奥卡姆剃刀：如无必要，勿增实体 / Apply Occam's razor: do not multiply entities beyond necessity | [科研] |
-| 欠拟合 / Underfitting | 模型太简单，无法捕捉关键现象 / Model too simple to capture key phenomena | 检查残差模式，识别缺失的因素 / Check residual patterns, identify missing factors | [科研] |
-| 忽略假设的合理性 / Ignoring assumption validity | 假设只为数学方便而非现实合理 / Assumptions made for mathematical convenience, not realism | 每个假设都要有现实依据 / Every assumption needs real-world justification | [科研/通用] |
-| 外推超出适用范围 / Extrapolating beyond scope | 模型只在某个范围内有效，超出范围失效 / Model only valid within a specific range | 明确标注模型的适用范围 / Explicitly declare scope of applicability | [科研/通用] |
-| 把相关性当因果性 / Confusing correlation with causation | 模型中的关系不等于因果关系 / Statistical relation ≠ causal relation | 区分描述性模型和因果模型 / Distinguish descriptive and causal models | [科研/通用] |
-| 忘记验证 / Skipping validation | 建完模型就直接使用，不检验预测 / Using model without testing predictions | 必须用独立数据验证 / Must validate with independent data | [科研] |
-| 忽略量纲一致性 / Ignoring dimensional consistency | 方程两侧量纲不匹配，物理上不可接受 / Equation sides have mismatched dimensions, physically inadmissible | 建方程前做量纲分析，构造无量纲 Pi 项 / Perform dimensional analysis, form dimensionless Pi groups | [科研] |
-| 仅用样本内拟合选模型（过拟合）/ Selecting models by in-sample fit only | 样本内误差低估真实预测误差；越复杂模型样本内表现越好 / In-sample error underestimates true prediction error; more complex models always look better in-sample | 使用 AIC/BIC 或交叉验证评估样本外性能 / Use AIC/BIC or cross-validation for out-of-sample performance | [科研] |
-| 忽略敏感度分析 / Skipping sensitivity analysis | 不知哪些参数对结果影响最大，可能在不敏感参数上浪费精力 / Unknown which parameters drive results; effort wasted on insensitive parameters | 对关键参数做敏感度分析，重点关注敏感参数 / Perform sensitivity analysis on key parameters, focus on sensitive ones | [科研] |
-| 混淆模型验证与模型选择 / Confusing validation with model selection | 验证检验已有模型是否可靠；选择在候选模型间做比较 / Validation checks reliability of a given model; selection compares candidate models | 先用选择准则(AIC/BIC/CV)选出模型，再用独立数据验证 / First select model (AIC/BIC/CV), then validate with independent data | [科研] |
-| 过度简化忽略关键因素 / Over-simplifying and ignoring key factors | 简化时丢弃了决定性因素，模型失去了预测能力 / Simplification discards decisive factors, model loses predictive power | 简化前确认保留的因素足够解释核心现象 / Confirm retained factors suffice to explain core phenomena before simplifying | [生活] |
-| 不验证结论是否现实 / Not validating whether conclusions match reality | 推理看起来合理但与现实经验矛盾，却未察觉 / Reasoning seems sound but contradicts real-world experience, unnoticed | 用经验和常识检验结论 / Test conclusions against experience and common sense | [生活] |
-| 一个模型套所有问题 / One model for all problems | 不同问题需要不同框架，强行套用导致严重偏差 / Different problems need different frameworks; forced application causes severe bias | 根据问题特点选择合适框架 / Choose appropriate framework based on problem characteristics | [生活] |
-
-## 操作规程 / Operating Procedure
-
-当本 skill 被触发时，首先判断模式：
-
-**模式选择 / Mode Selection**：
-- 如果问题涉及物理系统、实验数据、数学方程、量纲分析 → **科研模式**
-- 如果问题涉及生活决策、预算规划、风险评估、路线选择 → **生活模式**
-- If the problem involves physical systems, experimental data, mathematical equations, dimensional analysis → **Research Mode**
-- If the problem involves life decisions, budget planning, risk assessment, route selection → **Life Mode**
-
----
-
-### 科研模式输出格式 / Research Mode Output Format
-
-1. **问题定义**：用一句话描述要解决的现实问题 / Define the real-world problem in one sentence
-2. **假设清单**：列出 `[假设N]: [内容]（合理性：高/中/低）` / List assumptions with validity ratings
-3. **量纲检查**：对关键物理量做量纲分析，构造无量纲 Pi 项 / Perform dimensional analysis, form dimensionless Pi groups
-4. **模型选择**：说明使用的数学框架及理由 `[框架]: [选择] 因为 [理由]` / State mathematical framework and rationale
-5. **变量定义**：定义所有变量、参数及其物理意义 / Define all variables, parameters, and their physical meaning
-6. **求解方案**：说明求解方法（解析/数值/定性）/ State solution method (analytical/numerical/qualitative)
-7. **敏感度分析**：识别敏感参数，评估其对输出的影响 / Identify sensitive parameters, assess their impact on outputs
-8. **模型选择准则**：若有候选模型，用 AIC/BIC/CV 比较并选出最优 / If multiple candidates exist, compare via AIC/BIC/CV
-9. **验证计划**：如何检验模型的有效性？/ How to validate the model?
-10. **适用范围**：明确标注模型在什么条件下有效、什么条件下失效 / Declare conditions where model is valid and where it breaks down
-
-**输出必须包含以上 10 项，不得只输出分析性文字而不给出结论。**
-**Output must include all 10 items above. No purely analytical text without conclusions.**
-
----
-
-### 生活模式输出格式 / Life Mode Output Format
-
-1. **[核心问题]:[描述]** — 你到底要解决什么问题 / What exactly are you solving
-2. **[关键因素]:[列表]** — 哪些因素必须考虑，哪些可以忽略 / Which factors must be considered, which can be ignored
-3. **[因素关系]:[框架]** — 什么影响什么，影响有多大 / What affects what, and how much
-4. **[初步结论]:[推导]** — 在框架下最可能的结论 / The most probable conclusion under the framework
-5. **[现实检验]:[验证]** — 结论和现实是否一致 / Does the conclusion match reality
-6. **[适用范围]:[边界]** — 结论在什么条件下有效 / Under what conditions the conclusion is valid
-
-**输出必须包含以上 6 项，不得只输出分析性文字而不给出结论。**
-**Output must include all 6 items above. No purely analytical text without conclusions.**
-
-## 与其他 skill 的关系 / Relations to Other Skills
-
-- **公理化思想**：模型的假设类似于公理，需要检验相容性
-- **抽象化思想**：建模是抽象化的应用——从现实抽象为数学结构
-- **优化思想**：很多模型的目标函数就是优化问题
-- **概率与统计**：不确定性建模需要概率论工具
-- **变换思想**：模型的求解常常需要变换到更容易处理的表示
-- **算法思想**：计算模型（如agent-based模型、元胞自动机）将算法作为建模框架
-- **因果推断思想**：因果模型（如DAG、结构因果模型）明确区分因果与相关
+---
+name: modeling
+description: |
+  触发：当需要将现实问题转化为数学问题（现实→数学→解释）、构建预测/解释模型、进行量纲分析与模型选择、为算法/算子/结构建立可计算模型时调用。
+  English: Trigger when translating real-world problems into mathematics (reality→math→interpretation), building predictive/explanatory models, performing dimensional analysis and model selection, or establishing computable models for algorithms/operators/structures.
+---
+
+> **语言路由**：若用户消息为英文，请读取并遵循同目录下的 `SKILL.en.md`，按其操作规程以英文输出；中文消息则继续使用本文件。
+
+# 🌉 建模思想 / Modeling
+
+> "将现实世界的问题转化为数学问题，通过求解数学问题来解释和预测现实。所有模型都是错的，但有些是有用的。"
+> "Transforming real-world problems into mathematical problems, solving them mathematically to explain and predict reality. All models are wrong, but some are useful."
+>
+> —— 应用数学、数学建模 / Applied Mathematics, Mathematical Modeling
+
+## 核心原则 / Core Principle
+
+**模型是现实的简化表示，不是现实本身。一个好模型不是"真实"的模型，而是在其适用范围内能做出准确预测的模型。**
+
+建模的黄金循环：① **现实问题→数学问题**（翻译）；② **数学问题→数学解**（求解）；③ **数学解→现实解释**（回译）；④ **现实解释→实验验证**（检验）。
+
+> **数学形式化 / Mathematical Formalization**
+>
+> **量纲分析与 Buckingham Pi 定理 / Dimensional Analysis & Buckingham Pi Theorem**：建方程前必须检查量纲一致性。若系统有 $n$ 个物理量涉及 $m$ 个基本量纲，可构造 $k=n-m$ 个无量纲 Pi 项，减少变量、简化方程；量纲不一致的方程物理上不可接受。
+>
+> **模型规格 / Model Specification**：设系统输出 $y$，输入 $x_1,\dots,x_p$，模型 $y=f(x_1,\dots,x_p;\theta)+\varepsilon$，其中 $f$ 为模型函数、$\theta$ 为参数向量、$\varepsilon$ 为误差项。模型选择即在候选集 $\{f_1,f_2,\dots\}$ 中选出偏差-方差最优的 $f$。
+
+## GPU 友好性 / GPU-Friendliness（横切检查）
+
+当模型用于**算法/算子/训练设计**时，模型选择与参数化直接决定 GPU 可行性——过 `../../references/gpu-friendly-math.md` 八维门：
+
+- **线性/可 GEMM 化参数化**：$y=f(x;\theta)$ 中 $f$ 表为稠密张量代数或矩阵乘链（线性回归、MLP）→ 友好，吃满 Tensor Core。
+- **低秩参数化**：$\theta$ 用低秩/块结构代替稠密 → 显存友好、可压缩（见 `../../references/books/matrix-analysis.md`）。
+- **算子分裂/块并行**：PDE/ODE 模型按空间/时间分块、串行递推改并行扫描 → 可改造。
+- **反模式**：模型需 $O(n^2)$ 稠密全局算子（朴素全注意力）、数据相关分支/标量循环、病态需 fp64、不可微需离散搜索 → "美但不可算"，改选可张量化、可融合、数值稳定的等价参数化。
+
+八维最低判定（正式术语）：**张量化**看模型方程能否批量求值；**GEMM 可映射**看参数化是否可写成矩阵乘/卷积/低秩因子；**复杂度**看状态维、时间步、交互项增长；**显存与 KV-Cache**看隐状态、激活、缓存能否压缩；**低精度稳定**看方程是否病态或需 fp64；**并行与通信**看动态系统能否分块/scan；**稀疏结构**看耦合图是否结构化；**算子融合**看模型更新与 loss 是否可融合。
+
+> 配合 `../../references/books/optimization-ml.md`（模型参数化与训练）、`matrix-analysis.md`（低秩、条件数、压缩）。
+
+## 不适用场景 / When NOT to Use
+
+- **问题无法量化或结构化**——建模需要可定义的变量和关系。
+- **只需要定性理解**（如"这个现象大概怎么回事"）——建模会过度精确。
+- **缺乏基本数据**——没有数据的模型只是猜测。
+
+## 何时使用 / When to Use
+
+- 需要将现实问题用数学语言精确表述（现实→数学→解释）。
+- 构建预测/解释模型以解读实验数据或预测新现象。
+- 理解复杂系统中各因素的相互作用与敏感度。
+- 进行量纲分析、模型选择（AIC/BIC/CV）与敏感度分析。
+- **为算法/算子/结构建立可计算模型**，并评估其参数化的 GPU 可行性。
+
+## 方法流程 / Method
+
+### 第一步：明确现实问题
+用最清晰的语言描述要解决的问题。关键：系统的**输入**是什么？**输出**是什么？**目标**是预测、解释还是优化？方向不清，建模即失准。
+
+### 第二步：做出假设
+建模中最关键也最危险的一步。所有模型都需简化，但必须**明确记录每一个假设**：哪些因素重要、哪些可忽略？系统是确定性还是随机？静态还是动态？变量关系线性还是非线性？每个假设都要有依据。
+
+### 第三步：建立数学结构 / 量纲分析
+根据假设选择数学框架：
+
+| 现象特征 | 数学框架 |
+|---|---|
+| 变量间因果关系 | 微分/差分方程 ODE/PDE |
+| 空间分布与传播 | 偏微分方程（热传导、波动、扩散）|
+| 离散对象的关系 | 图论 |
+| 不确定性下的决策 | 概率模型 |
+| 资源分配 | 优化模型 |
+| 群体行为与交互 | 统计模型 / 马尔可夫链 / Agent-based |
+| 分类与预测 | 函数逼近 / 回归 |
+
+建方程前必须检查量纲一致性，构造 $k=n-m$ 个无量纲 Pi 项以减少变量、简化方程；量纲不一致的方程物理上不可接受。
+
+### 第四步：求解
+用数学方法求解模型：**解析解**（精确但可能不存在）、**数值解**（近似但总能得到）、**定性分析**（不求具体解，只求性质如稳定性、单调性）。
+
+### 第五步：解释与验证
+将数学解翻译回现实语言；与已有数据或实验结果对比；做 sanity check 检验预测是否合理。与现实不符的结论无论多"漂亮"都无效。
+
+### 第六步：敏感度分析与模型选择
+**敏感度分析**：若某参数小扰动导致输出大幅变化，则为敏感参数，需重点关注其取值精度。
+**偏差-方差权衡**：简单模型偏差高、方差低（欠拟合）；复杂模型偏差低、方差高（过拟合）；最优模型在两者间平衡。
+**模型选择准则**：AIC $= -2\log L + 2k$（倾向略复杂，适合预测）；BIC $= -2\log L + k\log n$（惩罚更重，倾向简约，适合解释）；交叉验证（CV）评估样本外预测性能、防过拟合。
+
+### 第七步：迭代与改进
+模型几乎总需改进。若预测与事实不符：哪个假设出了问题？是否需要增加新因素？是否需要改变数学框架？与现实不符时不是放弃建模，而是修正模型。
+
+### 第八步：适用范围声明
+明确标注模型在什么条件下有效、什么条件下失效。所有模型都有边界——适用范围声明是模型的"保质期标签"，是防止误用的关键。
+
+## 常见错误 / Common Errors
+
+| 错误 / Error | 批评 / Critique | 正确做法 / Correct Approach |
+|---|---|---|
+| 过度拟合 | 模型太复杂，拟合了噪声而非信号 | 用奥卡姆剃刀：如无必要勿增实体 |
+| 欠拟合 | 模型太简单，无法捕捉关键现象 | 检查残差模式，识别缺失因素 |
+| 忽略假设的合理性 | 假设只为数学方便而非现实合理 | 每个假设都要有现实依据 |
+| 外推超出适用范围 | 模型只在某范围内有效，超出失效 | 明确标注模型适用范围 |
+| 把相关性当因果性 | 模型中的关系≠因果关系 | 区分描述性模型与因果模型 |
+| 忘记验证 | 建完模型直接用，不检验预测 | 必须用独立数据验证 |
+| 忽略量纲一致性 | 方程两侧量纲不匹配，物理不可接受 | 建方程前做量纲分析，构造无量纲 Pi 项 |
+| 仅用样本内拟合选模型 | 样本内误差低估真实预测误差 | 用 AIC/BIC 或交叉验证评估样本外性能 |
+| 忽略敏感度分析 | 不知哪些参数驱动结果 | 对关键参数做敏感度分析，重点关注敏感参数 |
+| 混淆验证与模型选择 | 验证检验给定模型；选择在候选间比较 | 先用 AIC/BIC/CV 选模型，再用独立数据验证 |
+| 模型过度复杂→不可算 | 参数化无法张量化/GEMM 化，$O(n^2)$ 显存爆炸 | 选可张量化、可融合、数值稳定的等价参数化，过 GPU 八维门 |
+
+## 操作规程 / Operating Procedure
+
+当本 skill 被触发时，输出必须包含：
+
+1. **问题定义**：用一句话描述要解决的现实问题
+2. **假设清单**：列出 `[假设N]: [内容]（合理性：高/中/低）`
+3. **量纲检查**：对关键物理量做量纲分析，构造无量纲 Pi 项
+4. **模型选择**：`[框架]: [选择] 因为 [理由]`
+5. **变量定义**：定义所有变量、参数及其物理意义
+6. **求解方案**：说明求解方法（解析/数值/定性）
+7. **敏感度分析**：识别敏感参数，评估其对输出的影响
+8. **模型选择准则**：若有候选模型，用 AIC/BIC/CV 比较并选出最优
+9. **验证计划**：如何检验模型的有效性？
+10. **适用范围**：明确标注模型在什么条件下有效、什么条件下失效
+11. **[GPU 可行性]**（若用于算法/算子/结构）：模型参数化是否可张量化/GEMM 化、复杂度与显存是否可接受，过 `../../references/gpu-friendly-math.md` 八维门，标注友好/可改造/不友好 + 改造建议。
+
+**输出不得只给分析而无结论。**
+
+## 与其他 skill 的关系 / Relations to Other Skills
+
+- **公理化思想**：模型的假设类似于公理，需要检验相容性。
+- **抽象化思想**：建模是抽象化的应用——从现实抽象为数学结构。
+- **优化思想**：很多模型的目标函数就是优化问题。
+- **概率与统计**：不确定性建模需要概率论工具。
+- **变换思想**：模型的求解常常需要变换到更容易处理的表示。
+- **算法思想**：计算模型（agent-based、元胞自动机）将算法作为建模框架。
+- **因果推断思想**：因果模型（DAG、结构因果模型）明确区分因果与相关。
+- **现代数学激活**：`../../references/books/smooth-manifolds.md`（流形约束/隐空间几何）、`../../references/books/differential-geometry.md`（度量/曲率）、`../../references/books/optimization-ml.md`（参数化与训练）。