从0到提交，如何用 ChatGPT 全流程参与建模比赛的

在我真正开始用 AI 参与一场数学建模比赛之前，我对它的预期其实不高。

一开始，它不过是我们计划中的"润色工具人"：负责最后三页的英语论文润色、生成几张美观的图表，顺便润色一下摘要。

但 96 小时后，我彻底改观。

我们把它从"文书外包"拉到了模型设计现场。当队伍卡在"怎么定义公平""用哪个模型能说服评委""怎么写才能让论文有结构"这些问题上时，AI 给出的建议，居然让我们少走了不少弯路。

它不会替你决策，但它能帮你理清你真正需要决策的是什么。

这篇文章不会兜售"AI 无所不能"的故事，而是更实用地复盘我们是怎么在 MCM 比赛里用 ChatGPT 辅助完成建模任务的：

• 它怎么帮我们拆清楚题目，避免走题；

• 它如何参与模型方案比选，明确假设边界；

• 它怎么协助我们写出结构清晰的论文，让评委能迅速看懂决策逻辑；

• 它在哪些地方真的派上了用场，在哪些场景完全不行；

• 以及我们实际使用的 prompt 案例（全公开）

写这篇文章，是因为我想说一句实话：

ChatGPT 无法让你"速成建模高手"，但它能帮你更早拥有"像工程师一样思考"的方式。

尤其是对于初次参加建模比赛，或者希望更系统化推进建模流程的人来说，把 AI 当成"智能合作者"而不是"万能外挂"，你会真正意识到：这不是什么捷径，而是方法论的升级。

一、ChatGPT 是怎么参与建模拆题的？它不是"抢答"，而是"澄清者"

真正让我们愿意信任 AI 的，是在赛题刚发布时，它比我们更冷静。

我们参加的是 2023 年 MCM 比赛，当时拿到的题目是关于多地点服务设施的最优选址问题（E 题）。刚看完题目的时候，我们脑子里全是关键词：

• 多目标优化？NP 难问题？

• 该不该建模成线性规划？还是遗传算法？

• 这是不是那个 Facility Location Problem 的改版？

但是经验告诉我们，一旦直接跳模型，很容易走题。我们决定先停下来，让 AI 帮我们**"反向解构题目"**：

Prompt 案例 #1：让 AI 做"题目拆分器"

"你现在是一个有多年 MCM 教学经验的建模教练。请你只做一件事：不要推荐模型，只从建模角度分析这个赛题的核心任务有哪些、难点在哪、信息缺失在哪、可能的风险点有哪些。"

ChatGPT 的回答非常像一个经验丰富的助教，它并没有直接推荐模型，而是条理清晰地拆解任务：

• 哪些目标函数是明确的，哪些是隐性的；

• 哪些输入数据缺失，可能需要假设补充；

• 哪些指标是可以量化建模的，哪些则需要归一处理；

• 哪些场景（如"多个紧急响应点同时请求服务"）需要特殊建模，而不是当作均值处理；

• 有无时间维度、有无多目标之间的 trade-off 讨论空间......

这一步帮我们从"关键词堆砌"转变为"任务清单梳理"。更重要的是，它帮我们意识到一件事：

建模不是直接选模型，而是先搞清楚你在试图回答哪个问题。

ChatGPT 帮我们补了哪些"题目逻辑断层"？

比赛中经常遇到的一种情况是：题面看起来清楚，但要建模的时候一堆模糊点。比如：

• "最优"到底怎么定义？是平均响应时间最小？还是最大覆盖率？有无 trade-off？

• 题目说可以建多种类型设施，但每种设施间有没有共享资源？有没有建设成本？

• 目标区域是抽象地图，是否要投影到真实地理结构？是否考虑地形/交通网络？

这些问题，有些是经验能想到的，但在比赛紧张氛围中很容易忽略。而我们通过下面的 prompt，让 ChatGPT 成为一个**"假设敏感度探测器"**：

Prompt 案例 #2：让 AI 扮演"假设挑战者"

"请你扮演一位建模评审专家，从建模严谨性的角度出发，帮我列出这个问题中可能存在但未显式说明的假设有哪些？并指出这些假设如果不成立，可能会对模型结果造成什么影响。"

这一步的效果是：ChatGPT 不再是"告诉你做什么"，而是帮你思考"哪些假设如果不澄清，你的模型会崩"。

我们原以为"建设设施的服务半径固定"是理所当然，但它提醒我们：如果服务半径随设施类型或建设预算变化，模型就需要引入动态边界条件。

这类讨论直接反映到我们的模型选择上：是否要做多阶段优化？是否要加"软约束"而非硬性限制？

这一步 AI 真正起作用的地方是：

• 它不是替你"定义问题"，而是逼你"澄清问题"；

• 它不会提出最优模型，但能清楚列出你要决策的变量与结构；

• 它不会省略细节，而是从评审视角让你提前"踩坑"。

比起"我来告诉你怎么做"，AI 更像一个冷静得近乎残酷的"建模合伙人"：它时刻提醒你，模型能否说服别人，靠的不是你做了什么，而是你为什么这么做。

二、模型选型：ChatGPT 帮我们补的是"决策证据"

数学建模从来不是"答题"，而是"做决策"。

做建模比赛的人，最熟的一句话可能就是：

"这个问题可以尝试用 XX 模型，比如线性规划、灰色预测、层次分析法......"

但这恰恰是建模新手最容易栽的坑：模型名字你都认识，真正难的是"什么时候用、为什么用、怎么组合"。

而 ChatGPT 在这一环的价值，不是"提供模板"，而是变成你身边那个最懂 trade-off 的技术合伙人。

Prompt 案例 #3：不是问"用什么模型"，而是问"建模选型有哪些分歧点"

我们在比赛中遇到的核心问题，是要在多个设施点中选址，兼顾服务效率和资源成本。而我们的问题不是"用什么模型"，而是：

• 如果目标是覆盖率最大，是不是就该用整数规划？

• 如果我们考虑不确定性因素（需求波动），是不是要用鲁棒优化？

• 如果评委看重的是"清晰解释"而不是"高精度预测"，是不是更该用分层模型+可解释指标？

• 如果不同模型得出的结果相左，哪个更可信？

我们给 ChatGPT 的 prompt 是这样的：

"请你从建模结构设计角度分析：在处理一个选址优化类问题时，线性规划、层次分析法、遗传算法、贪心启发式、模拟退火等模型适用于什么条件？这些模型各自在哪些限制条件下会出错？如果要组合使用，它们能如何协同？"

结果比我们预期的更有帮助。它没有给出"最优解"，但列出了几种典型场景-模型的配对逻辑，比如：

问题特征	推荐模型	原因解释
明确约束、目标函数可线性表示	线性/整数规划	易于求解，结果可解释
无法表达精确约束、目标不单一	启发式算法（如遗传）	适合非凸搜索、全局探索
需要快速原型、结构直观	贪心策略 + 灵敏度分析	便于调参和时间控制
存在目标优先级不明确	AHP / 层次加权模型	有助于指标融合和主观判断融合
多方案之间缺乏比较指标	TOPSIS / 模糊评价	可构建统一评分尺度

一次模型选择中的博弈过程：我们经历的真实分歧

我们三人组其实最早倾向用一个三阶段优化模型搞定：

• 第一阶段：基于地理位置初筛（聚类或最近邻算法）

• 第二阶段：布点后做局部优化（遗传算法）

• 第三阶段：利用蒙特卡洛模拟不确定因素，检验鲁棒性

这套方案听起来挺高大上，但 ChatGPT 问了我们一句：

"这个方案每个阶段都需要训练和调参，是否在比赛时间内能控制好调试成本？如果遗传算法未收敛，你的兜底方案是什么？"

这直接点醒我们：我们的方案复杂度很高，但鲁棒性不够。于是我们改成了"双轨建模"：主模型采用简化优化 + 灵敏度分析，辅助用启发式策略覆盖边界场景。

这种"主-辅模型配合"的策略，也是 ChatGPT 多次推荐的结构框架之一：主模型保证主逻辑清晰可解释，辅模型用来"救场"和处理极端情况。

Prompt 案例 #4：结构设计 + 多模型协同

"我想构建一个组合模型结构，主模型是线性规划用于最优设施配置，辅模型是规则策略用于处理边界/异常情景，请帮我梳理如何组织结构和写清楚它们的配合关系。"

ChatGPT 给出了非常工程化的建议，类似我们后期用于写论文的结构逻辑：

1. 建模目标与任务拆分

2. 主模型作用及假设边界

3. 辅模型使用场景与触发条件

4. 模型间接口变量与数据流

5. 整体评估指标与模型切换标准

这一套结构让我们写作时少走很多弯路，而且更容易向评委讲清楚**"我们不是模型套娃，而是分工明确、结构清晰。"**

小结：ChatGPT 在模型阶段带来的提升

作用点	人工容易忽视的问题	ChatGPT 提供的增益
选型取舍	只看模型名字，不看约束/数据/目标匹配	提供结构图谱、适配边界
模型组合	忽略模型间逻辑不一致	提供"主-辅模型协同"框架
时间控制	只考虑效果，不考虑可实现性	帮你评估调参和求解成本
假设验证	没有回头验证模型是否合理	提出需要回测和灵敏度分析的部分

AI 不会告诉你唯一解法，但它能始终帮你抓住"你到底在为哪个目标做决策"。

三、协作写作：ChatGPT 是团队里最冷静的线索梳理者

如果你参加过建模比赛，一定见过这种"论文修罗场"：

• 模型做出来了，每个人都说"我来写我那一段"

• 写着写着发现：有些模型写了两遍，有些压根没人写

• 摘要写完发现结论和正文完全对不上

• 格式不一致，有人用 LaTeX，有人 Word，有人 Markdown

• 论文主线像拼图，最后只能靠队长硬怼一遍通宵大改

这时候，不是缺"文字能力"，而是缺一个人把论文当"产品说明书"去看待：有没有说清楚我们做了什么、为什么做、做得怎么样。

ChatGPT 正是填这个空缺的绝佳选手。

Prompt 案例 #5：我们让它做"结构线索检查员"

我们的做法是这样的：

当我们三个人各自写完自己负责的一节后，把三个部分都贴进 ChatGPT，提问如下：

"请你检查下面三段建模论文是否存在以下问题：

1. 各节之间是否存在逻辑跳跃或模型重复；

2. 是否清楚交代了假设、输入数据和变量定义；

3. 是否有'我们做了什么'但没解释'为什么这么做'的地方；

4. 语言风格是否统一；

5. 能否给出一个建议的统一写作框架。"

你别说，它真的逐条检查，还指出了很多我们自己忽略的点，比如：

• "第二节的假设 B 在第一节中未提前提出"

• "第三节结果部分的数据单位与前文不一致"

• "第一节使用'本文'视角，第三节变成了'我们'视角"

• "第二节用了多个'我们提出了一个新的模型'，但未说明它解决了前文哪种不足"

它不仅能指出问题，还建议了修改方式，例如：

"建议所有模型介绍采用统一模板：模型目的 → 假设 → 变量说明 → 数学结构 → 结果与意义"。

这不就是我们理想中论文主线设计师的样子吗？

Prompt 案例 #6：润色不是堆辞藻，是提炼结构主语

我们还会让它做"建模语法润色"。但我们发现，与其说让它"美化语言"，不如说让它"强化结构表达"。

举个例子，我们原文写的是：

"我们通过构建一个预测模型，分析了未来趋势，并对其做了敏感性分析。"

ChatGPT 改写成：

"为预测未来趋势，我们构建了一个多因素回归模型，并通过敏感性分析验证其稳定性。"

从"过程描述"转变为"目的导向"，主语变成"模型"，而非"我们"。

这种改写方式不仅更专业，也更符合工程报告/建模论文的写作风格------把建模过程当成一种设计流程，而非实验流水账。

我们后来甚至把这个 prompt 固化成模板：

"请将以下段落润色为数学建模论文风格，要求清晰交代每一段的目的、方法与结果，语气克制，语言偏工程/技术报告风格。"

Prompt 案例 #7：一稿成文式摘要生成器

还有最管用的一个用途，就是在论文写完后，请它用下面这个 prompt 来"写一个摘要草稿"：

"以下是我们数学建模论文的正文内容，请你根据建模任务、方法、结果，写一段不超过 300 字的摘要，要求包括背景、问题目标、主要方法、关键结果和结论，语言客观克制。"

效果出奇地好，至少是一个 80 分的草稿。

我们再人工精修，通常两轮就能定稿。而不是像以前一样反复改 10 版，越改越乱。

小结：ChatGPT 在协作写作中的真正作用

团队痛点	ChatGPT 解决方式
多人写作风格不一致	检查人称统一、语气风格
模型描述跳跃	强化因果链、补足前后文线索
内容结构割裂	给出统一结构模板建议
论文主线不清	强化"我们为什么这么做"的表达
摘要难写	快速生成摘要初稿，提高起点

在这个阶段，我们逐渐明白：

ChatGPT 不是"更快写完"，而是"让写作变成结构性创作，而不是靠堆字数"。

四、代码生成与验证：ChatGPT 是工具箱，不是自动驾驶仪

很多人用 AI 帮忙写代码，图的是一个"快"字。但在建模比赛里，"快"从来不是终点------尤其当你用 ChatGPT 写模型代码，它写得再多，不如你理解得清。

这节我们主要讲两个问题：

• ChatGPT 在建模建模时，到底该怎么用？

• 哪些环节可以交给它？哪些反而容易踩坑？

---

Prompt 案例 #8：用它"还原数学公式的代码骨架"

比赛现场，我们常有这种场景：

"我们决定用 logistic 回归建个分类模型，但变量多、权重设定复杂，一时不知道该怎么写。"

这时我们不会直接问 "帮我写一个 logistic 回归模型"，而是用更清晰的提问：

"请帮我写出一个 Python 函数，用来实现如下结构的逻辑回归模型，包含变量 w1--w6、输入为矩阵 X、输出为概率预测值，要求可扩展到多分类。"

ChatGPT 会写出标准逻辑回归骨架，并在代码中标明各变量含义、如何调整。我们只需要替换具体数据，或者手动调整权重设定。

关键点在于：我们先有数学结构，再用它写代码，而不是反过来"想看看它能生成什么模型"。

---

Prompt 案例 #9：代码验证器，帮你"交叉检查推导是否正确"

还有一种常见用途，是当我们自己写出一个模型，想看看 ChatGPT 有没有更简洁、更规范的写法，或者能不能 catch 到我们公式里有疏漏。

我们会这样提问：

"下面是我们为某资源调度问题设计的线性规划模型，请你根据变量定义，帮我们检查约束条件是否冗余或缺失，并重新整理为标准 LP 格式。"

这个 prompt 帮了我们大忙。在一次调度题中，我们忘记加了一个"资源不可重复分配"的约束，ChatGPT 直接指出了这一点，并给出了修正建议。

它甚至能识别我们变量的维度冲突，比如你把 t 写成了 scalar，后面却当作向量用了，它会提醒"下标可能冲突"。

换句话说：

它不是给你"最优代码"，而是帮你"把建模推理补完"。

---

Prompt 案例 #10：这些时候，千万不要直接用它的代码

ChatGPT 再强，也不是懂竞赛上下文的模型工程师。

以下几类场景，我们测试后发现，它给出的代码不能直接信赖：

情况1：多阶段联动的模型求解流程

比如你做一个"预测-调度"类问题，模型流程是：

1. 先用时间序列预测未来供需；

2. 再将预测值作为输入，进行优化求解。

如果你直接让 ChatGPT "写一个供需调度模型"，它通常会假定数据是已知的，忽略掉前面预测部分的不确定性，也不会建一个多阶段流程的"pipeline"。

它写出的只是"一个静态优化"，和你的"预测-决策"联动模型，是两个概念。

情况2：涉及不完整假设的复杂动态仿真

我们有一次做的是无人机调度问题，需要模拟无人机在山区火场中的路径和中继部署，ChatGPT 虽然能写出 A* 或最短路径算法代码，但它对"火场扩散""风力影响""飞行高度"等实际假设理解模糊，经常代码逻辑自洽但完全偏题。

我们后来统一处理是：

先由我们写好建模逻辑图、列出变量定义和更新流程，再让它协助填充代码细节或改写性能更优的实现。

小结：如何更"工程化"地使用 ChatGPT 写建模代码

使用方式	效果	建议用法
结构清晰的模型翻译为代码	高效准确	明确模型公式和变量先行，再请求代码
作为推导检查器	有效补盲点	请求审查变量定义、维度一致性、约束逻辑完整性
多模型联动或仿真	容易跑偏	不建议直接生成，建议手动控制流程结构

用一句话总结就是：

ChatGPT 是极强的结构实现工具，但它不懂你的比赛目标与建模主线。

真正的主线，永远在你脑中------它只是帮你写清楚，而不是替你决定怎么建。

五、建模能力的重构：你才是模型的提出者，AI 只是"回声"

我们见过太多人拿 ChatGPT 写论文、做模型，结果却越做越没主见。

不是工具不好用，而是用错了方向：本来该你做决策的地方，变成在等它给建议；该你思考逻辑的时候，却在反复 prompt 找"标准答案"。

但建模这件事最核心的能力，恰恰是你自己------能不能从一个模糊问题中，推演出结构、逻辑、解法。

这节我们来讲几个反向使用 ChatGPT的思维方式：不是它帮你建模，而是你借它"看见自己还没想清的部分"。

---

🧭 练习 1：我能不能复原一个"优秀论文"的建模逻辑？

我们平时经常训练一个技能：拿一篇 O 奖 / M 奖论文，把它"当作题目"来练习：

"我不看正文，只看摘要和结论部分，我能否推测出它的建模结构？"

这一步做完后，再将推测出的结构输入 ChatGPT：

"我准备将该问题分为 A、B、C 三个子任务，分别建模型，然后串联求解。请你假设我是这样做的，帮我补出中间各部分的变量、模型种类和因果逻辑。"

你会发现：它确实能生成一套逻辑自洽的结构，但同时你也会发现，它的设计与你刚才的推演有什么不同。

这些"不同"就是关键。

你不需要全盘接受它的方案，但你可以用来反问自己："它为什么这样拆？它选的模型会不会比我的更稳定、更容易验证？"

这就是典型的**"反向工程式练习"**：你拿 ChatGPT 当作另一个模型思维者，去检视自己思考的缺口。

---

练习 2：我能不能把自己的模型"复述一遍"？

还有一个我们经常用的方式叫做：

"让 ChatGPT 帮我重写我的模型逻辑，看看它能不能复现我真正想表达的结构。"

很多时候你以为写清楚了，其实只是自己"懂自己"。

把你建好的模型框架描述交给它，prompt 像这样：

"我为某河流水资源调度设计了一套两阶段模型，第一阶段预测来水量，第二阶段做线性规划求最优分配。请你根据这个描述，用清晰的工程语言重写一遍逻辑和目的，适合写入论文或答辩中。"

ChatGPT 给出的内容，就是你模型的"表达镜像"。

你能立刻看到：

• 有哪些变量定义模糊？

• 有哪些逻辑它无法还原？

• 哪些地方需要你补充动机和限制条件？

这比你闷头检查代码、反复斟酌表述有效得多。

它就是一个"即时镜像反馈器"------你能不能清晰表达你的结构，它一试就知道。

---

练习 3：我能不能用 AI 工具训练自己的"建模套路"？

这是我们更长期的训练方式。

你可以把自己做过的题目模型结构、论文摘要、设计动机------统统存在一个文档里，然后用 RAG、Embedding 工具（甚至直接给 ChatGPT 喂过去）做一件事：

"给我复述一下我过去常用的模型拆解思路，是否存在模式？"

我们团队实际做过一版这样的 ChatGPT embedding 项目，它能识别出：

• 我们在做时间序列预测时，偏爱组合建模（ARIMA+ML）

• 在做空间调度时，总是先划分网格，再建局部最优模型

• 遇到突发资源问题时，习惯建兜底线性模型以保守解法

这些"套路"不是坏事，它们反而是你真正风格的体现。

但有了这些识别，你就可以进一步提升自己：

• 我能不能换个问题，尝试不同模型路径？

• 我能不能用反例去挑战我习惯的思维模式？

这才是 AI 最有用的地方：它不是替代你，而是让你"更清楚你是谁"。

---

小结：真正的建模者，从来不会迷信工具

你可以用 ChatGPT 快速生成模型骨架、代码模板、甚至帮你优化表达。

但真正决定问题怎么拆、结构怎么搭、结果怎么验证的，只有你。

AI 能带来效率、验证、反馈，但不能替代你的工程推理。

如果说写建模题是一场模拟的决策战，那你要做的不是"找到一套标准解"，而是：

在高度不确定中，搭出一条可验证、可落地的逻辑路径。

用工具提升认知，而不是逃避判断 ------ 这是我们理解 AI 与建模关系的根本立场。