math-skill 2.0.1 → 3.0.0

package/skills/logic-deduction/original-texts.md

@@ -1,173 +0,0 @@
-# 数学出处与经典文献 / Mathematical Sources and Classic Texts
-
-## 命题逻辑 / Propositional Logic
-
-**基本推理规则**：
-
-| 规则名 | 形式 | 有效性 |
-|--------|------|--------|
-| 假言推理 (Modus Ponens) | P → Q, P ⊢ Q | ✅ 有效 |
-| 拒取式 (Modus Tollens) | P → Q, ¬Q ⊢ ¬P | ✅ 有效 |
-| 假言三段论 | P → Q, Q → R ⊢ P → R | ✅ 有效 |
-| 析取三段论 | P ∨ Q, ¬P ⊢ Q | ✅ 有效 |
-| 肯定后件 | P → Q, Q ⊢ P | ❌ 无效 |
-| 否定前件 | P → Q, ¬P ⊢ ¬Q | ❌ 无效 |
-
-## Boole 布尔代数 / Boolean Algebra (1854)
-
-George Boole 在 *An Investigation of the Laws of Thought* (1854) 中建立了命题逻辑的代数化系统，将逻辑推理转化为代数运算：
-
-> "逻辑是代数的一种，其变量仅取 0 与 1 两个值。"
-> "Logic is a species of algebra whose variables take only the values 0 and 1."
-
-布尔代数的核心运算：∧ (乘法), ∨ (加法), ¬ (补), 满足分配律、德摩根律等代数性质。这是命题逻辑的代数对偶——同一推理结构既可用演绎方式也可用计算方式处理。布尔代数后来成为数字电路设计（Shannon, 1938）与计算机科学的数学基础。
-
-## Frege《概念文字》/ Frege's *Begriffsschrift* (1879)
-
-Frege 发明了第一个完整的一阶逻辑形式系统，引入量词 (∀, ∃) 和函数符号，展示了逻辑推理可以被完全机械化。这是现代数理逻辑的起点——从此，数学证明有了精确的语法规则，而非仅靠直觉叙述。
-
-> "算术真理能否被纯逻辑地证明？概念文字为此提供了工具。"
-> "Can arithmetical truths be proved purely logically? The Begriffsschrift provides the instrument for this."
-
-## Peano 公理 / Peano Axioms (1889)
-
-从逻辑出发构建自然数体系：
-
-> 1. 0 是一个自然数。
-> 2. 每个自然数 n 有一个后继 S(n)。
-> 3. 0 不是任何自然数的后继。
-> 4. 不同的自然数有不同的后继。
-> 5. （归纳公理）如果一个性质对 0 成立，且对 n 成立则对 S(n) 也成立，则该性质对所有自然数成立。
-
-这展示了如何从最少量的逻辑假设出发构建一个完整的数学体系。Peano 公理是一阶理论的典范——仅用一条二阶归纳公理（或一阶归纳公理模式）即可刻画自然数的全部结构。
-
-## Russell 悖论 / Russell's Paradox (1901)
-
-> "考虑所有不包含自身的集合所组成的集合 R：R 是否包含 R？"
-> "Consider the set R of all sets that do not contain themselves: does R contain R?"
-
-若 R ∈ R，则按定义 R ∉ R；若 R ∉ R，则按定义 R ∈ R。矛盾不可消解。此悖论直接摧毁了 Frege 的朴素集合论（Frege 在收到 Russell 信后承认其系统存在根本缺陷），引发了数学基础的"第三次危机"。由此催生了：
-
-- **ZFC 集合论** (Zermelo-Fraenkel + Choice)：通过限制集合构造规则（分离公理模式而非概括公理）排除悖论
-- **类型论** (Russell, 1908)：通过类型层级禁止自指
-- **直觉主义** (Brouwer)：拒绝将无穷集视为已完成对象
-
-Russell 悖论深刻揭示：逻辑系统的一致性不能被默认，必须被证明或被构造性地保证。
-
-## ZFC 集合论 / ZFC as Background Logic for Mathematics
-
-Zermelo-Fraenkel 集合论加选择公理 (ZFC) 是当代数学的默认基础语言——几乎所有数学对象（数、函数、空间、群）都可以在 ZFC 中被定义为集合，所有数学定理都可以（原则上）被翻译为 ZFC 中的形式证明。
-
-> "数学家在日常工作中不写 ZFC 证明，但他们默认所有证明都可以在 ZFC 中被形式化。"
-> "Mathematicians do not write ZFC proofs in daily work, but they presuppose that all proofs can in principle be formalized in ZFC."
-
-ZFC 的九条公理（外延、空集、配对、并集、幂集、无穷、分离、替换、选择）精心规避了 Russell 悖论，同时保留了足够强的构造能力。选择公理 (AC) 引发了持续争议——它允许非构造性选择（如 Zorn 引理、良序定理），在 Banach-Tarski 分球等反直觉结果中显露其代价。
-
-## 一阶逻辑 vs 高阶逻辑 / First-Order vs Higher-Order Logic
-
-**一阶逻辑 (FOL)**：量词仅作用于个体 (∀x, ∃x)，不允许量化谓词或函数。这是数理逻辑的"标准语言"，拥有完备性（Gödel 1929）和紧致性。
-
-**高阶逻辑 (HOL)**：允许量化谓词 (∀P) 和函数 (∀f)，表达力更强但代价沉重——高阶逻辑**不完备**（无递归可枚举的证明系统能覆盖所有有效推理），且不可紧致。
-
-> "一阶逻辑是完备的但表达力受限；高阶逻辑表达力强但不可完备。这是一个根本性的权衡。"
-> "First-order logic is complete but limited in expressive power; higher-order logic is expressive but incomplete. This is a fundamental trade-off."
-
-Peano 算术 (PA) 是一阶理论，其归纳公理被编码为无穷多条一阶公理模式；真正的 Peano 公理（二阶归纳）唯一刻画 ℕ，但一阶 PA 有非标准模型。这直接联系到 Löwenheim-Skolem 定理。
-
-## Gödel 完备性 vs 不完备性 / Completeness (1929) vs Incompleteness (1931)
-
-**完备性定理 (1929)**：一阶逻辑的演绎系统是完备的——每个逻辑上有效的公式都可被形式证明。
-
-> "一阶逻辑中，所有逻辑上有效的公式都可以从公理出发通过形式推理得到证明。"
-> "In first-order logic, all logically valid formulas can be proved from the axioms through formal inference."
-
-**不完备性定理 (1931)**：任何包含基本算术的一致形式系统都存在不可判定命题——既不可证也不可否证。
-
-> "任何足够强的一致形式系统 T 中，存在语句 G 使得 T ⊬ G 且 T ⊬ ¬G。"
-> "In any sufficiently strong consistent formal system T, there exists a sentence G such that T ⊬ G and T ⊬ ¬G."
-
-关键区别：完备性定理说的是**逻辑系统本身**不遗漏有效推理；不完备性定理说的是**算术理论**无法穷尽所有真理。二者不矛盾——完备性保证"推理规则够用"，不完备性揭示"算术真理超出任何固定公理集"。
-
-## Löwenheim-Skolem 定理 / Löwenheim-Skolem Theorem (1920, 1922)
-
-> "若一阶理论 T 有无穷模型，则 T 对每个无穷基数 κ ≥ ℵ₀ 都有模型。"
-> "If a first-order theory T has an infinite model, then T has a model of every infinite cardinality κ ≥ ℵ₀."
-
-下 Löwenheim-Skolem：T 必有可数模型。上 Löwenheim-Skolem：T 必有任意大基数模型。
-
-震撼性推论：一阶理论**无法控制其模型的基数**。即使 ZFC 旨在描述一个不可数集合宇宙，ZFC 本身也有可数模型（Skolem 悖论）。这揭示了一阶逻辑的表达力根本性限制——一阶语句无法区分"可数"与"不可数"的内部视角与外部视角。
-
-## Tarski 真理的语义理论 / Tarski's Semantic Theory of Truth (1933)
-
-> "'雪是白的'为真，当且仅当雪是白的。"
-> "'Snow is white' is true if and only if snow is white."
-
-Tarski 给出了真理的形式定义 (T-schema)，展示了逻辑中"真"与"可证"的区别——"真"是语义概念（取决于模型），"可证"是语法概念（取决于证明系统）。完备性定理连接二者（在 FOL 中 T ⊢ φ ⇔ T ⊨ φ），但在算术等强理论中二者永久分离（Gödel 不完备性）。
-
-Tarski 还证明了：足够强的语言**不可能在自身内部一致地定义真理**——真理定义必须使用更强的元语言。这与 Russell 悖论和 Gödel 不完备性形成三重不可自指限制。
-
-## Gentzen 自然演绎与相继演算 / Gentzen's Natural Deduction and Sequent Calculus (1935)
-
-Gerhard Gentzen 在 *Investigations into Logical Deduction* 中发明了两种全新的证明结构：
-
-**自然演绎 (Natural Deduction)**：推理规则围绕引入 (I) 和消除 (E) 每个逻辑联结词组织——∧I, ∧E, →I, →E, ∀I, ∀E 等。这捕捉了数学家的实际推理方式：假设一个前提，推导结论，然后取消假设（→I 即条件证明）。
-
-**相继演算 (Sequent Calculus)**：证明的对象是相继式 Γ ⊢ Δ（左边假设，右边结论），规则在相继式之间操作。关键突破：**切割消除定理** (Hauptsatz)——任何使用切割规则 (Cut) 的证明都可以被转化为无切割证明。
-
-> "主定理 (Hauptsatz) 表明：所有证明都可以被转化为无切割的证明，即消除一切'中间公式'。"
-> "The Hauptsatz states that all proofs can be transformed into cut-free proofs, eliminating all 'intermediate formulas'."
-
-切割消除是证明论的核心工具：它保证了子公式性质（无切割证明的每一步只涉及最终结论的子公式），使得一致性和可判定性证明成为可能。Gentzen 的工作将逻辑从"公理化"转向"结构化"，开创了证明论 (Proof Theory) 这一学科。
-
-## Turing 停机问题 / Turing's Halting Problem (1936)
-
-Alan Turing 在 *On Computable Numbers* 中定义了 Turing 机，并证明了：
-
-> "不存在通用算法能判定任意 Turing 机是否在任意输入上停机。"
-> "There is no general algorithm that can decide whether an arbitrary Turing machine halts on an arbitrary input."
-
-停机问题的不可判定性是计算与逻辑的根本性限制。它的逻辑本质与 Gödel 不完备性等价：若停机可判定，则算术不完备性可被绕过；若算术完备，则停机可被判定。二者互为对偶——同一堵墙的两个面。
-
-停机问题的直接推论：一阶逻辑的**有效性判定问题** (Entscheidungsproblem) 也是不可判定的（Church, 1936; Turing, 1936）——不存在通用算法能判定任意一阶公式是否逻辑有效。逻辑演绎可以被执行，但不可被机械地全面预判。
-
-## Robinson 消解与合一 / Resolution and Unification (1965)
-
-J. A. Robinson 在 *A Machine-Oriented Logic Based on the Resolution Principle* 中引入了消解规则：
-
-> "从 P ∨ Q 和 ¬P ∨ R 消解得到 Q ∨ R。"
-> "Resolve P ∨ Q and ¬P ∨ R to obtain Q ∨ R."
-
-消解将所有推理压缩为一条规则加上合一算法 (Unification)——自动寻找使两个项相等的代数替换 σ，使得 σ(P) = σ(P')，从而对互补文字执行消解。
-
-消解-合一是自动定理证明 (Automated Theorem Proving) 和逻辑编程 (Logic Programming, e.g. Prolog) 的数学核心。它证明了：一阶逻辑的证明搜索可以被统一为一个算法过程，尽管效率问题（搜索空间爆炸）在实践中仍然严峻。
-
-## Curry-Howard 对应 / Curry-Howard Correspondence (1969)
-
-> "命题即类型，证明即程序。"
-> "Propositions as types, proofs as programs."
-
-Curry (1958) 首先观察到组合逻辑的类型与命题逻辑的公式之间的对应；Howard (1969) 将其扩展到构造性谓词逻辑：
-
-| 逻辑概念 | 类型论/编程概念 |
-|----------|----------------|
-| 命题 A | 类型 A |
-| A ∧ B | A × B (积类型) |
-| A ∨ B | A + B (和类型) |
-| A → B | A → B (函数类型) |
-| ∀x. P(x) | Πx:A. P(x) (依赖函数类型) |
-| ∃x. P(x) | Σx:A. P(x) (依赖对类型) |
-| 构造性证明 | 可执行程序 |
-
-Curry-Howard 对应揭示了逻辑演绎与计算之间的深层同构：一个构造性证明就是一个程序，程序的执行就是证明的归约 (proof normalization)。这是 Gentzen 切割消除在计算层面的对应——β-归约就是切割消除。
-
-此对应成为类型论 (Martin-Löf, 1972)、依赖类型编程 (Coq, Agda) 和同伦类型论 (HoTT, 2013) 的理论基础，将"证明正确性"与"程序正确性"统一为同一问题。
-
-## 常见逻辑谬误的形式化
-
-| 谬误名 | 形式 | 反例 |
-|--------|------|------|
-| 肯定后件 | P → Q, Q ∴ P | "如果下雨则地湿，地湿，所以下雨了"（可能是洒水车） |
-| 否定前件 | P → Q, ¬P ∴ ¬Q | "如果下雨则地湿，没下雨，所以地不湿"（可能是洒水车） |
-| 循环论证 | P ∴ P | "这本书说的是真话，因为书上这么写的" |
-| 稻草人 | 攻击 P' ≠ P | A: "应该增加教育预算" B: "你想把所有钱都给学校" |
-| 滑坡 | A → B → ... → Z, ∴ ¬A | "允许这个→那个→灾难，所以不能允许" |

package/skills/modeling/SKILL.md

@@ -1,137 +0,0 @@
----
-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.
----
-
-# 🌉 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）。

package/skills/modeling/original-texts.md

@@ -1,165 +0,0 @@
-# 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。

package/skills/optimization/SKILL.md

@@ -1,133 +0,0 @@
----
-name: optimization
-description: |
-  触发：问题涉及资源分配、取舍、最大化/最小化目标、约束下决策；或需判断凸性、使用拉格朗日/KKT、分析对偶结构；或为算法/算子/训练设计选择优化方法时调用。
-  English: Trigger when a problem involves resource allocation, trade-offs, maximizing/minimizing objectives, decisions under constraints; or needs convexity analysis, Lagrangian/KKT methods, duality structure; or choosing optimization methods for algorithm/operator/training design.
----
-
-# ⚖️ 优化思想 / Optimization
-
-> "在最一般的约束条件下，寻找目标函数的极值——凸性决定难度，KKT 给出必要条件，对偶揭示结构。"
-> "Under the most general constraints, find extrema of the objective — convexity determines difficulty, KKT gives necessity, duality reveals structure."
->
-> —— 最优化理论与运筹学 / Optimization Theory & Operations Research
-
-## 核心原则 / Core Principle
-
-**任何决策问题都可以表述为优化问题：在约束条件下最大化（或最小化）某个目标。优化的本质不是追求'最好'，而是在约束下追求'可行中的最好'。**
-
-**Any decision problem can be formulated as optimization: maximizing (or minimizing) an objective subject to constraints. The essence is not 'the best' in the abstract, but 'the best among the feasible'.**
-
-优化的三个核心要素：**目标（Objective）**、**约束（Constraints）**、**可行域（Feasible set）**。
-
-> **数学形式化 / Mathematical Formalization**
->
-> 一般优化问题：$\min_{x \in \mathbb{R}^n} f(x) \quad \text{s.t.} \quad g_i(x) \leq 0,\; i=1,\dots,m; \quad h_j(x) = 0,\; j=1,\dots,p$
->
-> 拉格朗日函数：$L(x, \lambda, \mu) = f(x) + \sum_i \lambda_i g_i(x) + \sum_j \mu_j h_j(x)$
->
-> KKT 条件（核心必要条件，Slater 等正则性下）：① 驻点 $\nabla_x L = 0$；② 原始可行 $g_i \le 0, h_j = 0$；③ 对偶可行 $\lambda_i \ge 0$；④ 互补松弛 $\lambda_i g_i = 0$。
->
-> 凸性：若 $f$ 与各 $g_i$ 凸、各 $h_j$ 线性，则问题凸；此时 **KKT 充分**，局部最优 = 全局最优。
-
-## GPU 友好性 / GPU-Friendliness（横切检查）
-
-当优化用于**算法/算子/训练设计**时，求解方法本身必须过 `../../references/gpu-friendly-math.md` 八维门：
-
-- **一阶法（SGD/Adam）**：GEMM 友好、可并行、低精度可行；注意优化器状态精度与分布式通信开销。
-- **二阶/牛顿法**：Hessian 求逆 $O(n^3)$、显存爆炸——典型"美但不可算"→ 改造为 **K-FAC / 低秩 / 对角近似**（见 `../../references/books/optimization-ml.md`、`matrix-analysis.md`）。
-- **约束投影**：投影是否有闭式、可张量化？迭代投影警惕串行依赖。
-- **分布式**：计算/通信能否 overlap；是否需要梯度压缩。
-
-八维最低判定（正式术语）：**张量化**看目标/约束/梯度能否批量；**GEMM 可映射**看主计算是否为矩阵乘、HVP、K-FAC 小矩阵；**复杂度**明确一阶/二阶/组合求解阶；**显存与 KV-Cache**检查优化器状态、Hessian、激活保存；**低精度稳定**检查条件数、阻尼、loss scaling；**并行与通信**检查梯度同步和通信 overlap；**稀疏结构**看预条件/约束是否块结构化；**算子融合**看更新、裁剪、正则能否融合。
-
-> 配合 `../../references/books/optimization-ml.md`（Chong/Lu/Żak）与 `../../references/books/matrix-analysis.md`。
-
-## 不适用场景 / When NOT to Use
-
-- **没有明确评价标准**（不知道什么是"好"）——先定义目标再优化。
-- **纯执行性任务**（如格式化代码）——没有优化空间。
-- **用户已确定方案**——优化已完成。
-- **本质是定性判断而非定量极值**——应先建模再优化。
-
-## 何时使用 / When to Use
-
-- 需要判断问题是否为凸优化以决定求解难度。
-- 为算法/算子/训练设计选择优化方法，并评估其 GPU 可行性。
-- 在约束条件下做可量化目标的理性决策。
-- 实验设计、资源分配、超参/结构搜索的系统优化。
-- 不确定当前策略是否最优，想系统分析（凸性、对偶、灵敏度）。
-
-## 方法流程 / Method
-
-### 第一步：定义目标 / Define the Objective
-明确最大化/最小化什么。关键：单目标还是多目标？是否可量化（否则找代理变量）？静态还是动态？**$f$ 是否凸**（凸则局部=全局，非凸需警惕局部极值）？方向错了，走得越远越偏。
-
-### 第二步：列出约束 / List the Constraints
-区分**硬约束**（物理/预算/deadline）与**软约束**（偏好/质量下限）；数学上分类：不等式 $g_i(x)\le 0$（定义可行域边界）、等式 $h_j(x)=0$（降维）、线性（可行域为凸多面体）vs 非线性（可能非凸）。
-
-### 第三步：类型分类 / Classify the Problem Type
-
-| 类型 | 目标 | 约束 | 核心性质 | 典型方法 |
-|------|------|------|----------|----------|
-| LP 线性规划 | 线性 | 线性不等式 | 最优在顶点 | 单纯形法 |
-| QP 二次规划 | 二次 | 线性 | 正定 QP 为凸 | 内点法 |
-| 凸优化 | 凸 | 凸不等式+线性等式 | 局部=全局 | 梯度下降、内点法 |
-| 非凸优化 | 非凸 | 任意 | 多局部极值 | 全局搜索、模拟退火 |
-| 组合优化 | 离散域 | 任意 | NP-hard 常见 | 分支定界、启发式 |
-| 随机优化 | 含随机项 | 可能含随机 | 期望最优 vs 随机可行 | SAA、鲁棒优化 |
-
-### 第四步：寻找最优解 / Find the Optimal Solution
-- **LP/QP/凸**：利用凸性，梯度类或内点法保证收敛到全局最优。
-- **非凸**：多起点、全局搜索，或松弛为凸近似。
-- **组合**：精确解常 NP-hard——小规模分支定界，大规模启发式/近似。
-- **随机**：样本平均近似（SAA）转化为确定性近似。
-- **信息不足**：满意解（satisficing）即可。
-
-### 第五步：灵敏度分析 / Sensitivity Analysis
-拉格朗日乘子 $\lambda_i^*$ 为第 $i$ 个约束的**影子价格**——约束放松一单位，目标改善约 $\lambda_i^*$。互补松弛：$\lambda_i^*=0$ 为非活跃约束（对最优解无影响）；$\lambda_i^*>0$ 为活跃约束（最优解恰在其边界）。关注：约束/目标微小变化时最优解如何变、哪些约束活跃。
-
-### 第六步：多目标与帕累托 / Multi-Objective & Pareto
-多目标 $f_1,\dots,f_k$ 通常无单一最优解。帕累托最优：不存在使所有目标同时改善的可行解。方法：**加权求和** $\min\sum w_i f_i$（不同权重对应前沿不同点）；**$\epsilon$-约束法** $\min f_1$ s.t. $f_i\le\epsilon_i$（遍历 $\epsilon_i$ 覆盖前沿）。
-
-### 第七步：监控约束变化 / Monitor Constraint Changes
-最优解依赖约束——约束变了就要重新优化。活跃约束的变化影响最大（影子价格高），非活跃约束的微小变化通常不影响最优解。
-
-## 常见错误 / Common Errors
-
-| 错误 / Error | 批评 / Critique | 正确做法 / Correct Approach |
-|-------------|----------------|---------------------------|
-| 没有明确目标就优化 | 方向不确定 | 先精确定义目标 |
-| 忽略隐式约束 | "最优解"实则不可行 | 穷尽检查所有约束 |
-| 陷入局部最优 | 非凸贪心不保证全局 | 验证凸性；非凸用多起点/全局法 |
-| 把最优当唯一 | 最优解可能不唯一 | 检查是否存在多个等价最优解 |
-| 多目标用单目标方法 | 不同目标需 trade-off | 使用帕累托分析 |
-| 未验证凸性 | 非凸误用凸方法 | 先判断凸性再选方法 |
-| 忽略对偶理论 | 对偶问题可能更易解 | 构造对偶，利用强对偶性 |
-| 混淆可行与最优 | 可行不一定最优 | 先验证可行性再验证最优性 |
-| 忽略计算/GPU 复杂度 | 二阶法/组合优化可能不可算 | 评估复杂度，过 GPU 八维门，必要时近似 |
-| 忘记重新优化 | 约束变了未更新 | 定期检查约束变化 |
-
-## 操作规程 / Operating Procedure
-
-当本 skill 被触发时，输出必须包含：
-
-1. **目标函数**：`[目标]: [描述]` + `[凸性]: [凸/非凸/未知]`
-2. **约束清单**：每条标 `[硬/软]` 与 `[不等式/等式]` `[线性/非线性]`
-3. **类型分类**：`[类型]: [LP/QP/凸/非凸/组合/随机]`
-4. **可行域分析**：哪些选项可行？活跃约束是哪些？
-5. **最优解/满意解**：`[策略]: [梯度法/内点法/全局搜索/satisficing/帕累托]`
-6. **灵敏度分析**：关键约束影子价格？变化 X% 结论如何变？
-7. **GPU 可行性**（若用于算法/算子/训练）：求解方法过八维门，标注友好/可改造/不友好 + 改造建议。
-8. **行动建议**：明确写出"接下来我将……"
-
-**输出不得只给分析而无结论。**
-
-## 与其他 skill 的关系 / Relations to Other Skills
-
-- **建模思想**：优化前需先建模——定义目标与约束本身就是建模。
-- **概率与统计**：不确定性下的优化需随机/鲁棒优化。
-- **变换思想**：变换到对偶问题常更易求解；对偶是优化中最深刻的变换。
-- **博弈思想**：多决策者同时优化即博弈，纳什均衡为多人优化的稳定点。
-- **算法思想**：求解依赖算法设计——凸优化用梯度法，组合优化需分支定界/启发式。
-- **现代数学激活**：`../../references/books/optimization-ml.md`（GPU 友好优化器、二阶法可行性）、`matrix-analysis.md`（条件数、低秩、预条件）。