第 1 章 先看规则：AI 可以用，但不能把"责任"交给 AI
截至 2026 年 8 月，全国大学生数学建模竞赛已经发布 2026 年试行的 AI 工具使用规定；COMAP 也有明确的 AI 使用政策。两者共同强调的核心不是"禁止 AI"，而是透明披露、人工主导、逐项核验和对最终作品负责。
1.1 CUMCM 2026 关键要求（建议赛前打印）
- AI 工具可用于竞赛辅助，范围包括大语言模型、生成式 AI、代码辅助工具和 AI 智能体等。
- 核心建模和分析应主要由参赛队主导，AI 生成内容应逐项人工审查和验证。
- 论文参考文献之前需要放置"AI 工具使用声明"；若使用 AI，要概述用途。
- 若使用 AI，还需在支撑材料中提供单独 PDF，说明工具名称/版本、使用阶段、主要提示方式，以及哪些内容被采纳、修改、验证。
- 隐瞒 AI 使用、虚假声明，或把未经必要人工审核的 AI 生成内容直接作为核心建模分析结果，可能导致取消评奖资格。
- 2026 试行规定自 2026 年 9 月 1 日起实施，因此 2026 年 9 月举行的 CUMCM 应按该规定准备。
|----------------------------------------------------------------------------------------------------------------|
| 竞赛期间的额外纪律 CUMCM 2026 参赛规则同时禁止竞赛期间在队外交流平台浏览、发布或讨论与赛题相关的内容。AI 工具可以作为辅助，但公开社区、群聊、论坛、GitHub 等涉及赛题交流仍需严格遵守竞赛纪律。 |
1.2 COMAP MCM/ICM 的共同原则
- 允许负责任地使用 AI，但要求在报告中说明所用工具及用途，并按政策提供 AI 使用报告。
- 必须核验 AI 生成的事实、引用、代码、模型解释和科学结论；尤其要警惕不存在的参考文献和"语言上合理、科学上错误"的内容。
- AI 更适合作为结构整理、摘要、语言润色和辅助编码工具；模型选择、模型构建、结果解释和科学结论需要更谨慎的人类判断。
1.3 本手册的五条红线
|---------------|---------------------------------------------|
| 红线 | 正确做法 |
| 编造数据 | 缺数据时明确写"需要补充"，只在题目允许且有依据时做情景假设，并标注为假设数据。 |
| 编造参考文献/DOI | 要求 AI 给出可核验链接；提交前人工打开原文核对作者、题名、年份、DOI。 |
| 编造运行结果 | 代码未运行就不写数值；所有 RMSE、R²、最优值、权重等必须可追溯到输出文件/日志。 |
| 为了"高级"硬套复杂模型 | 先建立可解释的基线模型，再用复杂模型做增益；若没有增益就保留简单模型。 |
| 复制 AI 长文本直接提交 | 把 AI 输出作为草稿，团队重新组织论证、补证据、改逻辑，并保留 AI 使用记录。 |
需要更多资料和助攻的宝子们可以＋企鹅获取资料
https://qun.qq.com/universal-share/share?ac=1&authKey=TuFbn2UmZxGwtE0EbQ2VFG1HrTEmXuQ90xDP%2B2XZf7IyRz9yrpJFpswq%2Brvaz6IW&busi_data=eyJncm91cENvZGUiOiI5NzU3ODY5ODciLCJ0b2tlbiI6InFDaVFBd01MbFdTMERGOVMra0hPYXc2WnFtMTBwM3NJN2xQSGpDMGh2bTRHYmJlMlhwZXB3Z3JpNVQrM0FOYnoiLCJ1aW4iOiIzOTA0OTE0MTQwIn0%3D&data=00n_mno8Vxe2jLKBWGaP0uP4NGbJYe44nYnqqWYcuT6aKaGtZWNIWDe6Xgdv5RVB5jlWqhQVAN8R6iDYZpmGVg&svctype=4&tempid=h5_group_info第 2 章 高质量提示词的统一结构：R-C-T-C-O-V
图 2 R-C-T-C-O-V 高质量提示词结构
|-------------------|--------|-------------------------------|
| 模块 | 含义 | 数学建模中的写法 |
| R --- Role | 角色 | "你是数学建模竞赛教练 + 数值计算审稿人" |
| C --- Context | 上下文 | 赛题全文、附件字段、队伍能力、时间、竞赛类型 |
| T --- Task | 任务 | 只完成一个明确阶段，如"拆题"或"生成可运行代码" |
| C --- Constraints | 约束 | 不得编造数据/引用；模型必须解释适配性；代码需固定随机种子 |
| O --- Output | 输出格式 | 表格、公式、伪代码、JSON、三线表素材、论文段落等 |
| V --- Verify | 验证 | 要求维度检查、边界测试、交叉验证、敏感性、与基线对照 |
好的提示词不是"角色越夸张越好"，而是上下文完整、任务边界清楚、输出格式可检查、验证机制写在提示里。官方提示工程资料也强调：指令要清晰具体，复杂任务应拆分并迭代，最好明确所需格式和示例。
|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 【可复制提示词】万能总控提示词（比赛第一轮使用） |
| 你是一名数学建模竞赛总教练，同时具备应用数学、统计学、运筹优化、机器学习、数值计算与学术写作经验。 ### 赛题与附件 【粘贴完整赛题】 【粘贴附件字段、文件名、数据量、单位、时间范围】 ### 团队信息 竞赛：{CUMCM/MCM/ICM/其他} 编程语言：{Python/MATLAB} 队伍水平：{入门/中等/熟练} 剩余时间：{xx 小时} 优先目标：{稳健完成/冲击高奖/强调创新} ### 本轮任务 不要直接写完整论文，也不要直接给最终答案。先输出"任务地图"： 1. 按小问拆解：直接目标、隐含目标、输入、输出、约束、评价标准； 2. 标记每个小问属于预测/评价/优化/分类聚类/网络路径/机理仿真/其他哪一类； 3. 给出每小问 2--3 个候选模型，至少包含一个可解释基线模型； 4. 说明各模型的适配理由、所需数据、关键假设、风险、预计工作量； 5. 给出各小问之间的数据依赖与结果依赖； 6. 列出"当前已知事实、合理假设、尚缺信息、必须人工核验项"。 ### 强约束 - 不得虚构题目没有提供的数据、背景事实、文献或计算结果； - 若信息不足，明确写"信息不足"，不要自行补成事实； - 模型选择以问题结构为依据，不以"复杂/新颖"为唯一标准； - 输出最后给出 6--10 小时内可执行的第一版建模路线。 |
| 使用提示：先让 AI 做"地图"，再决定后续模型。这样能显著减少一上来就被某个错误模型带偏。 |
|---------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 【可复制提示词】事实/假设/推断分离器 |
| 阅读下面的赛题与当前分析，把所有表述分成四栏： A. 题目明确给出的事实； B. 可以合理提出但必须在论文中声明的模型假设； C. 由模型或常识推断、需要进一步验证的结论； D. 缺失信息/潜在歧义。 对 B、C、D 每一项说明：如果判断错了，会影响哪个模型、哪一个参数或哪一个结论。 材料："""{粘贴赛题或当前分析}""" |
|-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 【可复制提示词】AI 输出自检提示词 |
| 请不要继续扩展方案。现在只做审计： 1. 找出你上一条回答中所有未经题目或数据支持的事实性断言； 2. 找出所有可能不存在/无法验证的引用、参数、公式来源； 3. 检查符号、单位、维度、边界条件是否一致； 4. 检查是否出现"模型名称很高级但与数据量/目标不匹配"的情况； 5. 对每个风险标注严重度：高/中/低； 6. 给出最小修改方案，不要重写全部内容。 |