企业官网建设流程全解析

每年到了华数杯、国赛、美赛这类数学建模竞赛的赛季，总有不少同学私信问我：题目拿到手之后时间根本不够用，数据预处理还没做完，队友写论文的初稿已经要交了，编程的同学还卡在模型代码的报错上。更扎心的是，好不容易提交了论文，结果连“国一”的门槛都没摸到。

今年我把整个参赛流程重新梳理了一遍，开始尝试用 Modex 数模智能体 辅助完成从题目解读、数据清洗、模型选型、代码生成到论文图表制作的全流程工作。跑完一轮华数杯模拟题之后，最大的感受是：只要流程用对，Modex 确实能帮团队节省大量重复劳动时间，把精力集中在模型创新和论文表达上。

这篇文章会把我的完整使用流程整理出来，适合正在备战华数杯、国赛或美赛的同学。无论你是编程手、建模手还是论文手，都可以参考这套方法，用 Modex 数模智能体把效率提上来。

1. 背景与核心概念

1.1 数学建模竞赛的普遍痛点

先说说为什么数学建模竞赛需要引入智能体工具。

一场标准的数学建模竞赛通常是三天左右，题目一般分为连续型、离散型和综合型。团队三人分别负责建模、编程和写作，但实际上分工很难完全独立：建模手要给出模型框架，编程手要把模型跑出结果，论文手要基于结果撰写正文和摘要。任何一个环节拖延，都会挤压其他环节的时间。

常见的真实场景是：

• 拿到题目后，三人对题目的理解不一致，光统一思路就花掉半天。
• 数据预处理阶段，Excel 手工清洗耗时巨大，尤其是缺失值、异常值、时间戳格式不统一的问题。
• 模型选型时靠“感觉”选模型，缺少对题目特征和模型适应性的系统分析。
• 编程手对着报错反复调试，很多时间浪费在语法和库版本问题上。
• 论文手需要大量图表，但画图代码分散在编程手手里，协同效率低。

这些痛点的本质是：数学建模的主线是“分析问题—建立模型—求解验证—表达结果”，但大量时间被支线任务抢走了。如果能有一个工具帮团队把支线任务自动化、规范化，主线质量自然能上去。

1.2 Modex 数模智能体是什么

Modex 数模智能体是一款面向数学建模竞赛场景的 AI 智能体工具。它把大语言模型的理解能力、代码生成能力、数据分析能力和文档辅助能力整合到数学建模的工作流中，帮助参赛者完成以下工作：

• 题目语义解析和问题拆解。
• 数据探索和预处理方案的生成。
• 模型选型建议和公式推导辅助。
• Python / MATLAB 代码生成与调试建议。
• 数据可视化方案和图表代码生成。
• 论文结构规划、摘要润色和附录整理。

简单来说，传统工作流中很多“需要人工搜索资料、人工写代码、人工排格式”的环节，Modex 可以辅助生成初稿或方案，再由团队成员校对、调整和验证。

需要特别提醒的是：Modex 是辅助工具，不是代写工具。竞赛论文的核心贡献仍然要来自团队成员的理解和创新。

1.3 为什么适合华数杯

华数杯数学建模竞赛（全称“华数杯全国大学生数学建模竞赛”）的题型设置和评阅标准与国赛比较接近，题目往往结合热点应用场景，比如数据分析、评价决策、优化调度、预测预警等。

这类题目非常适合用智能体辅助的原因有两个：

• 题量大、数据量不小，人工处理效率低。
• 常用模型高度标准化，例如层次分析法、熵权法、TOPSIS、灰色预测、线性回归、随机森林、遗传算法等，这些模型的代码和实现思路有大量可复用的模式，智能体可以快速给出可运行的版本。

2. 环境准备与工作区组织

2.1 软硬件环境

使用 Modex 数模智能体时，环境要求并不高，只要能正常访问 Web 端即可。本文示例以常见环境为例，重点演示配置和使用思路。

2.2 工作区目录结构

正式比赛之前，建议团队先建立统一的项目目录结构。以下是我常用的组织方式：

huaBei_Cup_2025/ │ ├── data/ │ ├── raw/ # 原始赛题数据，只读 │ ├── processed/ # 清洗后的数据 │ └── output/ # 模型输出结果 │ ├── code/ │ ├── explore/ # 数据探索代码 │ ├── models/ # 模型求解代码 │ └── plots/ # 可视化代码 │ ├── docs/ │ ├── 论文/ # 论文正文 │ ├── 附录/ # 代码附录 │ └── 参考资料.md # 团队收集的资料汇总 │ └── README.md

这个目录结构的好处是：数据、代码、论文三类产出相互独立又互相引用，Modex 在生成代码时也能根据路径快速定位数据。

2.3 使用 Modex 前的准备

在开始使用 Modex 之前，建议准备一份“团队背景说明”，把它粘贴到对话框中，让智能体快速理解你的任务上下文。例如：

我们正在参加华数杯数学建模竞赛，团队成员三人。 题目数据在 data/raw/ 目录下，请基于以下赛题描述帮助我： 1. 拆解题目问题。 2. 给出每个小题的建模思路。 3. 推荐合适的评价/预测/优化模型。 4. 生成对应 Python 代码和可视化方案。

背景说明越清晰，智能体给出的回答越有针对性。

3. 核心使用思路：分阶段拆解

在这一节里，我会把数学建模竞赛的完整流程拆成六个阶段，并说明每个阶段如何借助 Modex 数模智能体提升效率。

3.1 阶段一：题目解读与问题拆解

拿到题目后，切忌直接上手跑代码。第一步是把题目“翻译”成建模问题。

你可以这样向 Modex 提问：

请阅读以下赛题： [粘贴赛题文本] 请帮我完成： 1. 用表格列出每个小题的问题类型（评价/预测/优化/分类等）。 2. 每个小题涉及的关键变量有哪些？ 3. 推荐解决每个小题的基本模型，并说明理由。 4. 指出题目中可能存在的“隐含条件”或“陷阱”。

这一步的价值在于统一团队认知。三个人都能看到智能体对题目的拆解，并在其基础上补充自己的理解，而不是各想各的。

3.2 阶段二：数据探索与预处理

数据预处理是竞赛中最消耗时间的环节之一。Modex 可以帮助你快速生成数据探索代码。

输入示例：

数据文件：data/raw/附件1.xlsx 请生成 Python 代码： 1. 读取数据并展示前5行。 2. 检查缺失值和数据类型。 3. 对数值列生成描述性统计表。 4. 对关键字段做分布直方图。 5. 将清洗后的数据保存到 data/processed/ 目录。

生成代码后，不要直接复制运行。先审查变量名、列名是否正确，再在本地执行。这样可以大幅缩短调试时间。

3.3 阶段三：模型选型与公式推导

建模手最关心的部分就是模型选型。使用 Modex 时，建议把题目特征告诉智能体，让它给出比较方案。

输入示例：

问题2 要评价 15 家供应商的综合能力，数据包含 8 个指标，大部分是正向指标，个别是负向指标。 请比较熵权法、TOPSIS、灰色关联度分析、层次分析法的适用性，并推荐一种组合方案。请给出公式和计算步骤。

得到模型推荐后，建模手需要判断模型是否符合题意，再进行后续代码实现。

3.4 阶段四：代码生成与调试

Modex 最重要的能力之一就是把数学模型转化为可运行的代码。下面是一个完整的熵权法 + TOPSIS 示例，我会在下一节展开。

在实际使用中，可以让 Modex 按模块生成代码，例如：

• 数据标准化模块。
• 熵权法计算权重模块。
• TOPSIS 综合评价模块。
• 结果导出模块。

这种模块化方式比让智能体一次生成一个大文件更容易检查和维护。

3.5 阶段五：可视化与图表美化

图表是论文的门面。Modex 可以生成常见的 matplotlib 和 seaborn 图表代码，关键在于要让图表风格统一。

建议在提示中写明风格要求：

请使用 matplotlib 绘制图表，要求： - 中文字体设置为 SimHei。 - 图片尺寸为 8x5。 - 保存到 code/plots/ 目录，dpi=300。 - 图标题和坐标轴标签包含中文。

3.6 阶段六：论文结构与摘要辅助

论文写作阶段，Modex 可以帮助规划论文结构、润色摘要，但核心观点和结果解读必须由团队完成。

示例输入：

以下是我们的模型结果摘要信息： [粘贴结果数据] 请帮我校对摘要，要求：包含研究问题、模型方法、关键结果、结论四要素，控制在300字以内。

注意：摘要中不能出现“AI 生成”或“Modex 推荐”等字样，因为摘要代表的是团队自己的表达。

4. 完整实战案例：华数杯综合评价类题目

下面用一个典型的综合评价类题目，完整演示从题目拆解到代码求解的全流程。

4.1 题目背景

假设华数杯赛题如下：

某公司需要从 15 家备选供应商中选择综合表现最优的合作伙伴。给出了 8 个评价指标：产品质量、交货准时率、价格竞争力、技术水平、服务水平、环保水平、创新能力、风险控制能力。其中价格竞争力为负向指标，其余为正向指标。请建立数学模型，对 15 家供应商进行综合评价。

面对这种题目，完整的建模思路是：

1. 数据标准化，消除量纲影响。
2. 使用熵权法确定各指标权重。
3. 使用 TOPSIS 方法计算各方案与理想解的接近程度。
4. 根据相对接近度排序。

4.2 创建项目结构

supplier_evaluation/ │ ├── data/ │ ├── raw/ │ │ └── suppliers.xlsx │ └── processed/ │ └── suppliers_scaled.csv │ ├── code/ │ ├── entropy_weight.py │ ├── topsis.py │ └── main.py │ └── output/ └── evaluation_result.csv

4.3 数据准备

为了演示，我构造一个 15 家供应商、8 个指标的数据集。实际比赛中直接读取附件数据即可，这里给出模拟数据生成的代码，也方便本地跑通流程。

# 文件路径：code/generate_demo_data.py import pandas as pd import numpy as np np.random.seed(42) # 指标列名 columns = [ "supplier_id", "product_quality", # 正向指标 "delivery_punctuality",# 正向指标 "price_competitiveness",# 负向指标 "technology_level", # 正向指标 "service_level", # 正向指标 "environmental_level", # 正向指标 "innovation_ability", # 正向指标 "risk_control", # 正向指标 ] n = 15 data = np.random.randint(60, 100, size=(n, len(columns) - 1)) df = pd.DataFrame(data, columns=columns[1:]) df.insert(0, "supplier_id", [f"S{i+1:02d}" for i in range(n)]) df.to_excel("data/raw/suppliers.xlsx", index=False) print(df.head())

4.4 熵权法计算权重

熵权法的核心思想是：指标变异程度越大，说明该指标提供的信息量越大，权重越高。

# 文件路径：code/entropy_weight.py import pandas as pd import numpy as np def min_max_normalize(df, reverse_cols=None): """ 极差标准化。 reverse_cols: 负向指标需要反向处理，传入列名列表。 """ df_norm = df.copy() for col in df.columns: min_val = df[col].min() max_val = df[col].max() if col in reverse_cols: df_norm[col] = (max_val - df[col]) / (max_val - min_val + 1e-10) else: df_norm[col] = (df[col] - min_val) / (max_val - min_val + 1e-10) return df_norm def entropy_weight(df_norm): """ 熵权法计算权重。 """ n, m = df_norm.shape # 避免对数计算时出现 0 p = df_norm / (df_norm.sum(axis=0) + 1e-10) # 计算熵值 e = -1.0 / np.log(n + 1e-10) * (p * np.log(p + 1e-10)).sum(axis=0) # 计算差异系数 d = 1 - e # 计算权重 weights = d / (d.sum() + 1e-10) return weights if __name__ == "__main__": # 读取数据 df = pd.read_excel("data/raw/suppliers.xlsx", index_col="supplier_id") reverse_cols = ["price_competitiveness"] df_norm = min_max_normalize(df, reverse_cols) weights = entropy_weight(df_norm) print("指标权重：") for col, w in zip(df.columns, weights): print(f"{col}: {w:.4f}") weights.to_frame(name="weight").to_csv("output/weights.csv", encoding="utf-8-sig")

运行命令：

python code/entropy_weight.py

预期输出：

指标权重： product_quality: 0.1234 delivery_punctuality: 0.1456 ...

4.5 TOPSIS 综合评价

TOPSIS 方法的基本思路是：找出正理想解和负理想解，计算各方案到两个理想解的距离，最终用相对接近度排序。

# 文件路径：code/topsis.py import pandas as pd import numpy as np from entropy_weight import min_max_normalize, entropy_weight def topsis(df, weights): """ TOPSIS 综合评价。 weights: numpy 数组或列表，与 df 列顺序一致。 """ # 加权规范化矩阵 norm_matrix = df / np.sqrt((df ** 2).sum(axis=0)) weighted_matrix = norm_matrix * weights # 正理想解和负理想解 ideal_best = weighted_matrix.max(axis=0) ideal_worst = weighted_matrix.min(axis=0) # 距离 dist_best = np.sqrt(((weighted_matrix - ideal_best) ** 2).sum(axis=1)) dist_worst = np.sqrt(((weighted_matrix - ideal_worst) ** 2).sum(axis=1)) # 相对接近度 score = dist_worst / (dist_best + dist_worst) return score if __name__ == "__main__": df = pd.read_excel("data/raw/suppliers.xlsx", index_col="supplier_id") reverse_cols = ["price_competitiveness"] df_norm = min_max_normalize(df, reverse_cols) weights = entropy_weight(df_norm).values score = topsis(df_norm, weights) result = pd.DataFrame({ "supplier_id": df.index, "score": score }) result = result.sort_values(by="score", ascending=False) result["rank"] = range(1, len(result) + 1) print(result) result.to_csv("output/evaluation_result.csv", index=False, encoding="utf-8-sig")

运行命令：

python code/topsis.py

输出结果示例：

supplier_id score rank 0 S07 0.876532 1 1 S03 0.842156 2 ...

4.6 可视化输出

论文中除了表格，还需要分布图和排序图。以下是生成排名条形图的代码。

# 文件路径：code/plots/plot_rank.py import pandas as pd import matplotlib.pyplot as plt plt.rcParams["font.sans-serif"] = ["SimHei"] plt.rcParams["axes.unicode_minus"] = False result = pd.read_csv("output/evaluation_result.csv") fig, ax = plt.subplots(figsize=(8, 5)) bars = ax.barh(result["supplier_id"], result["score"], color="#4C72B0") ax.invert_yaxis() ax.set_xlabel("综合得分") ax.set_title("供应商综合评价结果") for bar, score in zip(bars, result["score"]): ax.text(bar.get_width() + 0.01, bar.get_y() + bar.get_height() / 2, f"{score:.4f}", va="center", fontsize=9) plt.tight_layout() plt.savefig("code/plots/evaluation_rank.png", dpi=300) print("图表已保存")

4.7 结果说明

从运行结果中可以看出：

• 熵权法通过指标数据本身的变异程度确定权重，不需要主观打分，适合没有专家先验信息的题目。
• TOPSIS 方法可以综合利用各指标信息，对正负向指标的兼容性好。
• 最终排序结果可以作为论文中“结论”部分的核心数据表。

需要根据实际赛题的数据分布调整标准化方式。如果数据中存在极端值，可以考虑先做分位数截断，或者改用稳健标准化。

5. 常见问题与排查思路

排查建议：

1. 先跑最小数据集，确认代码逻辑没问题，再跑完整数据。
2. 每段代码单独运行，不要一口气执行大文件。
3. 保留中间结果 CSV，方便检查每一步的输出是否合理。
4. 遇到报错时，把完整报错信息贴回 Modex 对话框，它通常能快速定位问题。

6. 最佳实践与工程建议

6.1 正确认识智能体边界

Modex 数模智能体的优势是“快”和“全”，但它的输出并非百分之百准确。尤其是在模型选型和结果解释环节，团队成员必须自己理解模型原理，否则写论文时容易出现“代码跑通了但解释不了结果”的情况。

我的建议是：

• 智能体生成的代码必须逐段检查。
• 核心公式需要手工推导一遍，确保符号和流程正确。
• 模型结果需要做敏感性分析，不能只看一组输出。

6.2 提示词工程技巧

用好 Modex，关键是写好提示词。以下几个技巧非常有效：

• 明确数据路径和文件格式。
• 指定输出格式，例如“用表格列出”“生成 Python 代码”。
• 要求智能体给出“思路 + 代码 + 结果解读”三部分。
• 如果第一次生成的结果不理想，继续追问，而不是重新开新对话。

示例：

刚才你生成的 TOPSIS 代码无法处理负向指标，请修改数据标准化部分，并重新输出完整的 topsis.py 文件。

6.3 团队协同规范

使用智能体后，团队内部要约定统一规范：

• 每天固定时间同步进度。
• 所有代码提交到同一仓库，禁止“本地能跑就行”的态度。
• 论文中的数据表格必须来自最新代码运行结果。
• 代码中出现的随机数种子要固定，方便复现。

6.4 学术诚信与竞赛规范

这一点必须重点强调：使用智能体辅助不等于可以抄袭。华数杯等竞赛通常要求参赛者提交原创成果。如果直接用智能体生成的整段代码或整段论文不加以理解和整理，一旦被判定为违规，后果非常严重。

建议团队在最终提交前，对全文进行人工审查，确保：

• 论文表达与团队理解一致。
• 每一段结果都有实验支撑。
• 代码附录与正文内容对应。
• 没有直接复制未经理解的“AI 原文”。

6.5 从模拟题开始练手

高强度的比赛环境下，人是没有时间边学边做的。建议在正式比赛前，至少用一套历史赛题模拟一次完整流程，把“题目拆解—数据清洗—建模求解—可视化—论文排版”整个链路跑通。

只有提前演练过，比赛时才能知道哪些环节可以交给 Modex 提速，哪些环节必须由人工仔细打磨。

7. 总结

这篇教程围绕华数杯参赛流程，完整介绍了如何借助 Modex 数模智能体提高全流程效率。

你需要掌握的关键点可以归纳为四句话：

• 题目拆解要前置：用智能体快速统一团队对赛题的理解，减少内耗。
• 数据清洗要自动化：让智能体生成预处理代码，把时间留给模型优化。
• 模型代码要模块化：每个模型单独成文件，便于检查和复用。
• 论文表达要人工化：智能体负责辅助排版和润色，但最终内容必须由团队负责。

如果你还在为论文图表如何排版、模型代码如何组织、数据处理如何提速而焦虑，强烈建议先在训练赛中试用一遍这套流程，把所有环节的坑提前踩完。等到真正的比赛倒计时开始，你们团队要做的就是集中精力打磨模型和论文，而不是在清洗数据和调试代码上消耗宝贵时间。