math-skill 1.0.0

package/skills/meta-selector/original-texts.md

@@ -0,0 +1,105 @@
+# 武器选择器的思想来源 / Intellectual Sources for the Weapon Selector
+
+## 问题分类与工具选择的传统 / The Tradition of Problem Classification and Tool Selection
+
+### Pólya 的问题求解启发法 / Pólya's Problem-Solving Heuristics
+
+George Pólya (1887-1985) 在《怎样解题》(How to Solve It, 1945) 中提出了四步求解法，这是现代问题求解方法论的基础：
+
+1. **理解问题** (Understanding the problem) — 你必须理解问题
+2. **拟定方案** (Devising a plan) — 找出已知与未知之间的联系
+3. **执行方案** (Carrying out the plan) — 检查每一步
+4. **回顾检验** (Looking back) — 检查所得解答
+
+Pólya 的核心洞见：**不同类型的问题需要不同的解题策略**。他列举了数十种启发法（heuristic strategies），包括：
+- 如果不能解决提出的问题，尝试先解决某个相关的问题
+- 回到定义
+- 从特殊到一般，从一般到特殊
+- 考虑极端情况
+- 逆向推理
+- 画图
+- 引入辅助元素
+
+> "解题是一种实践技能，就像游泳一样——你可以通过模仿和练习来学习它。" —— Pólya
+
+Pólya 的启发法分类为我们的武器选择器提供了思想基础：**问题的核心特征（如"是否涉及不确定量""是否有对称性""能否分解为子问题"）决定了最合适的解题方法**。
+
+### Newell & Simon 的问题空间理论 / Newell & Simon's Problem Space Theory
+
+Allen Newell 和 Herbert A. Simon 在《人类问题求解》(Human Problem Solving, 1972) 中提出了问题空间理论：
+
+- **问题空间** (Problem Space)：所有可能状态构成的集合，包含初始状态、目标状态和允许的操作
+- **搜索策略** (Search Strategy)：在问题空间中从初始状态导航到目标状态的方法
+- **启发式搜索** (Heuristic Search)：不是穷举所有状态，而是用启发规则选择最可能导向目标的方向
+
+核心洞见：**问题空间的性质决定了搜索策略的选择**。如果问题空间很小，穷举可行；如果很大，必须用启发式；如果问题空间有特殊结构（如单调性、对称性），可以利用结构加速搜索。
+
+> "选择搜索策略是问题求解中最关键的决策——策略决定了你将在问题空间中的哪个区域搜索。" —— Newell & Simon
+
+### Schoenfeld 的策略选择理论 / Schoenfeld's Strategic Decision Theory
+
+Alan H. Schoenfeld 在《数学问题求解》(Mathematical Problem Solving, 1985) 中分析了为什么学生即使掌握了解题工具也无法解决问题——关键不是缺少工具，而是缺少**策略选择能力**：
+
+- **资源** (Resources)：知识、技能、工具——相当于我们的15种思想武器
+- **启发法** (Heuristics)：如何使用资源——相当于每种思想武器的方法流程
+- **控制** (Control)：何时使用哪个资源——相当于武器选择器的功能
+- **信念系统** (Belief Systems)：对数学和自我的信念——影响是否选择合适的工具
+
+核心洞见：**掌握工具≠能解决问题。关键差异在于'控制'层面——知道何时调用哪个工具**。这正是武器选择器要解决的问题。
+
+> "学生的问题不是缺乏知识或技能，而是缺乏策略性决策能力——他们不知道何时该用什么方法。" —— Schoenfeld
+
+### Rittel & Webber 的棘问题理论 / Wicked Problems Theory
+
+Horst Rittel 和 Melvin Webber 在 "Dilemmas in a General Theory of Planning" (1973) 中区分了"驯问题"(tame problems) 和"棘问题"(wicked problems)：
+
+驯问题的特征：
+- 有明确的定义
+- 有明确的终止条件
+- 解可以客观评价为对或错
+- 属于特定领域
+
+棘问题的特征：
+- 没有明确的定义——理解问题本身就是解决问题的一部分
+- 没有明确的终止条件
+- 解没有对错之分，只有好与更好
+- 跨越多个领域
+
+核心洞见：**棘问题需要跨领域的思想武器组合，而驯问题可以用单一工具解决**。武器选择器在面对棘问题时推荐多工具组合，面对驯问题时推荐单一聚焦。
+
+> "棘问题没有对错答案，只有更好或更差的处理方式。" —— Rittel & Webber
+
+### Kahneman 的双系统理论 / Kahneman's Dual-System Theory
+
+Daniel Kahneman 在《思考，快与慢》(Thinking, Fast and Slow, 2011) 中提出了双系统理论：
+
+- **系统1** (System 1)：快速、直觉、自动——日常生活中大部分决策
+- **系统2** (System 2)：慢速、理性、可控——需要深思熟虑的决策
+
+核心洞见：**不是所有问题都需要系统2级别的理性分析**。生活中的许多决策只需要直觉（系统1），强行调用思想武器是过度分析。武器选择器的"不适用场景"清单正是基于这个洞见——简单问题不需要工具，棘问题才需要。
+
+> "过度思考是决策的敌人——有些决定最好交给直觉。" —— Kahneman
+
+### Lakatos 的方法论 / Lakatos's Methodology
+
+Imre Lakatos 在《证明与反驳》(Proofs and Refutations, 1976) 中展示了数学知识不是线性增长的，而是通过"猜想→反驳→修正"的辩证过程演进：
+
+- **进步的问题转换** (Progressive Problemshift)：每次修正产生新的、更深刻的问题
+- **退化的问题转换** (Degenerative Problemshift)：修正只是为了应付反例，没有产生新洞见
+
+核心洞见：**工具选择本身也应该是一个进步的问题转换**——第一次选择可能不理想，但通过使用后反思，选择能力逐步提升。武器选择器的"组合顺序"和"辅助视角"推荐正是这种辩证思维的体现。
+
+> "知识不是从天而降的真理，而是在批评与反驳中不断改进的猜想。" —— Lakatos
+
+## 从思想到实践的映射 / Mapping Ideas to Practice
+
+我们的武器选择器融合了以上思想：
+
+| 思想来源 | 在武器选择器中的体现 |
+|---------|-------------------|
+| Pólya 启发法 | 决策树中的11个特征分支——每个分支对应一类启发策略 |
+| Newell & Simon 问题空间 | 问题特征维度刻画——互动性、不确定性、约束性、结构性、动态性 |
+| Schoenfeld 策略选择 | "选对工具比用力分析更重要"的核心原则 |
+| 棘问题理论 | 多工具组合推荐——棘问题需要跨领域工具组合 |
+| Kahneman 双系统 | "不适用场景"——简单问题不需要工具，避免过度分析 |
+| Lakatos 方法论 | 组合顺序建议——先用主工具，再用辅助工具补充视角 |

package/skills/modeling/SKILL.md

@@ -0,0 +1,318 @@
+---
+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

package/skills/modeling/original-texts.md

@@ -0,0 +1,165 @@
+# 数学出处与经典文献 / Mathematical Sources and Classic Texts
+
+## Newton《自然哲学的数学原理》/ *Principia Mathematica* (1687)
+
+> "自然界中的同一效应必须尽可能归因于同一原因。"
+> "The same effects of nature must always be assigned to the same causes."
+
+**数学建模史上最重要的成就**：Newton 将天体运动与地面运动统一在同一数学框架之下——万有引力定律 F = GMm/r² 与三大运动定律。这是人类首次用系统的数学模型精确描述物理世界，标志着科学建模的诞生。《原理》确立了"数学模型→物理预测→实验验证"的方法论范式，至今仍是所有建模工作的根基。
+
+---
+
+## Fourier 热传导方程 / Fourier's Heat Equation (1822)
+
+> ∂u/∂t = κ ∇²u
+
+Fourier 在《热的解析理论》中提出了热扩散的数学模型，并为此发明了 Fourier 分析——将任意函数分解为三角级数的方法。这一建模成就具有双重意义：既给出了热传导的精确数学描述，又催生了整个调和分析领域。Fourier 变换至今是信号处理、量子力学、图像压缩等领域的核心工具。
+
+**建模启示**：解决一个建模问题所发明的新数学，往往比原模型本身更具深远影响。
+
+---
+
+## Maxwell 方程组 / Maxwell's Equations (1865)
+
+> ∇·E = ρ/ε₀, ∇×E = -∂B/∂t
+> ∇·B = 0, ∇×B = μ₀J + μ₀ε₀∂E/∂t
+
+Maxwell 将电学与磁学统一为四个偏微分方程，从数学模型中预言了电磁波的存在——此预言后被 Hertz 实验证实。这是建模史上最辉煌的范例之一：仅凭数学推演便发现了全新的物理现象。方程还隐含光速 c = 1/√(μ₀ε₀)，将光学纳入电磁理论，堪称统一建模的巅峰。
+
+---
+
+## Lotka-Volterra 捕食者-猎物模型 (1925-1926)
+
+经典的种群动力学模型：
+
+> dx/dt = αx - βxy （猎物增长 - 被捕食）
+> dy/dt = δxy - γy （捕食者增长 - 自然死亡）
+
+**建模启示**：通过两个简单的微分方程，成功解释了自然界中捕食者和猎物种群的周期性振荡现象。这是"好模型"的典范——简单但有用。
+
+---
+
+## Kermack-McKendrick SIR 传染病模型 (1927)
+
+> dS/dt = -βSI （易感者减少）
+> dI/dt = βSI - γI （感染者变化）
+> dR/dt = γI （康复者增加)
+
+**建模启示**：基本再生数 R₀ = β/γ 决定了疫情是否会爆发。Kermack 与 McKendrick 于 1927 年在论文 "A Contribution to the Mathematical Theory of Epidemics" 中首次提出此模型，奠定了传染病数学建模的理论基础。这个简单的模型在新冠疫情期间被广泛使用，证明了经典模型的持久价值。
+
+---
+
+## Buckingham Pi 定理 / Buckingham Pi Theorem (1914)
+
+> 若物理关系涉及 n 个变量、含 k 个独立量纲，则该关系可简化为 (n-k) 个无量纲 Π 组之间的关系。
+
+**建模启示**：Buckingham Pi 定理将量纲分析形式化，是建模中极其重要的简化工具。它告诉我们：任何物理模型都可化为无量纲形式，从而减少参数个数、揭示本质结构。例如，流体力学中雷诺数 Re = ρvL/μ 就是一个 Π 量，它统一了无数看似不同的流动情形。
+
+---
+
+## Turing 反应-扩散模型 / Turing's Reaction-Diffusion Model (1952)
+
+> ∂u/∂t = D_u ∇²u + f(u,v)
+> ∂v/∂t = D_v ∇²v + g(u,v)
+
+Turing 在论文 "The Chemical Basis of Morphogenesis" 中证明：两种扩散速率不同的化学物质相互作用，可在均匀状态下产生稳定的空间图案——斑纹、条纹、螺旋等。这是形态发生的数学模型，解释了从豹斑到海贝壳花纹的广泛现象。
+
+**建模启示**：数学模型可以解释"有序如何从无序中涌现"——无需预设图案，纯由方程动力学自发产生。Turing 由此开创了模式形成理论。
+
+---
+
+## Lorenz 系统 / Lorenz System (1963)
+
+> dx/dt = σ(y - x)
+> dy/dt = x(ρ - y) - xz
+> dz/dt = xy - βz
+
+Lorenz 在数值模拟大气对流模型时发现：初始条件的微小差异会导致完全不同的长期行为——即"蝴蝶效应"。三个看似简单的方程揭示了混沌的本质特征：确定性系统的长期不可预测性。
+
+**建模启示**：混沌理论深刻改变了建模哲学——即便模型完全正确，长期预测也可能本质不可能。建模者必须区分"可预测的时间尺度"与"不可预测的混沌区域"。
+
+---
+
+## Kalman 滤波 / Kalman Filtering (1960)
+
+> x̂_{k|k} = x̂_{k|k-1} + K_k(z_k - H x̂_{k|k-1})
+
+Kalman 滤波是基于状态空间模型的递推估计方法：利用系统动力学模型预测状态，再用观测数据修正预测。它将"模型预测"与"数据更新"统一在一个数学框架中，是现代控制论与信号处理的基石。
+
+**建模启示**：好的建模不仅是"建立模型"，还包括"基于模型做最优估计"。Kalman 滤波展示了模型与数据如何协同工作——模型提供先验，数据提供校正，二者缺一不可。
+
+---
+
+## Pólya《怎样解题》/ *How to Solve It* (1945)
+
+> "数学建模的第一步是理解问题，第二步是制定计划，第三步是执行计划，第四步是回顾。"
+> "The first step in mathematical modeling is understanding the problem, the second is devising a plan, the third is carrying out the plan, and the fourth is looking back."
+
+Pólya 的解题框架是建模思想的前身：将未知问题转化为已知的数学问题。
+
+---
+
+## Akaike 信息准则 / Akaike Information Criterion (1974)
+
+> AIC = -2 ln(L_max) + 2k
+
+Akaike 在 1974 年提出 AIC，首次将模型选择问题形式化：在拟合优度 (-2 ln L) 与模型复杂度 (2k) 之间寻求最优平衡。k 为参数个数，L_max 为最大似然。
+
+**建模启示**：AIC 确立了"简约性原则"的数学标准——不是越复杂越好，也不是越简单越好，而是在信息损失最小化与参数简约化之间取最优折中。这是 Box 名言"有些是有用的"的量化版本。
+
+---
+
+## Black-Scholes 模型 / Black-Scholes Model (1973)
+
+> C = S N(d₁) - K e^{-rT} N(d₂)
+> d₁ = [ln(S/K) + (r + σ²/2)T] / (σ√T)
+> d₂ = d₁ - σ√T
+
+Black、Scholes 与 Merton 建立了期权定价的数学模型，基于几何布朗运动 dS = μS dt + σS dW 与无套利原理推导出偏微分方程 ∂C/∂t + ½σ²S²∂²C/∂S² + rS∂C/∂S - rC = 0。此模型是金融数学最著名的成果，Scholes 与 Merton 因此获 1997 年诺贝尔经济学奖。
+
+**建模启示**：Black-Scholes 是 Box 名言的最佳注脚——模型假设（常数波动率、连续交易、无摩擦市场）在现实中都是"错的"，但它提供了定价框架与风险管理的核心工具，因而是"有用的"。
+
+---
+
+## George Box 的名言 / George Box's Famous Quote
+
+> "All models are wrong, but some are useful."
+> "所有模型都是错的，但有些是有用的。"
+
+**建模哲学**：
+- 模型不是现实——它必然是对现实的简化
+- 模型的价值不在于"真实性"，而在于其预测和解释能力
+- 好模型的标准：简洁（parsimonious）、可检验（testable）、有预测力（predictive）
+
+---
+
+## 建模的一般原则
+
+1. **从简单开始**：先用最简单的模型，然后逐步增加复杂度（Lorenz 用三方程揭示混沌，Lotka-Volterra 用两方程解释振荡）
+2. **明确假设**：每个假设都要记录和检验（Black-Scholes 的假设虽错但明确，因此仍可使用）
+3. **验证与证伪**：用独立数据检验模型，而不仅是拟合数据（AIC 量化了过拟合的风险）
+4. **适用范围**：每个模型都有其适用范围，超出范围即失效（Newton 力学在高速下失效，需 Einstein 修正）
+5. **迭代改进**：建模是一个循环过程，不是一次性的（Pólya 的"回顾"步骤）
+6. **量纲统一**：用 Buckingham Pi 定理将模型化为无量纲形式，减少参数、揭示结构
+7. **模型与数据协同**：Kalman 滤波展示了模型预测与数据校正如何循环工作
+
+---
+
+## 建模史的时间线 / Timeline of Mathematical Modeling
+
+| 年份 | 成就 | 领域 |
+|------|------|------|
+| 1687 | Newton *Principia* | 力学 / Mechanics |
+| 1822 | Fourier 热方程 | 热传导 / Heat diffusion |
+| 1865 | Maxwell 方程组 | 电磁学 / Electromagnetism |
+| 1914 | Buckingham Pi 定理 | 量纲分析 / Dimensional analysis |
+| 1925-26 | Lotka-Volterra | 种群动力学 / Population dynamics |
+| 1927 | Kermack-McKendrick SIR | 传染病 / Epidemiology |
+| 1945 | Pólya *How to Solve It* | 方法论 / Methodology |
+| 1952 | Turing 反应-扩散 | 形态发生 / Morphogenesis |
+| 1960 | Kalman 滤波 | 估计与控制 / Estimation & control |
+| 1963 | Lorenz 系统 | 混沌 / Chaos theory |
+| 1973 | Black-Scholes | 金融 / Finance |
+| 1974 | Akaike AIC | 模型选择 / Model selection |
+
+这条时间线揭示了一个核心规律：伟大的建模成就往往跨越学科边界。Newton 统一了天与地，Maxwell 统一了电与磁，Turing 统一了化学与生物学——数学模型的力量恰恰在于它的跨领域普适性。