如何使用 Codex 为数学建模论文高效绘图：以 2023 国赛 C 题为例

从国内外高校竞赛体系来看，数学建模早已成为培养和检验学生综合问题解决能力的重要方式。国际上有举办多年、影响广泛的美国大学生数学建模竞赛（MCM/ICM）；国内则有参赛规模庞大、覆盖高校众多的全国大学生数学建模竞赛（CUMCM），以及面向研究生群体的"华为杯"中国研究生数学建模竞赛。虽然不同赛事的问题背景、学科方向和题目类型各不相同，从工程技术、社会治理到经济金融、数据分析等领域均有涉及，但它们最终考察的其实是同一种能力：如何利用数学建模的思维方式，把复杂的现实问题转化为可以分析、计算和验证的问题，并给出具有实际意义的解决方案。

而随着 AI 工具快速发展，一个新的问题也随之出现：进入 AI 时代之后，我们是否还有必要专门培养数学建模能力？

答案依然是肯定的。

AI 可以帮助我们检索资料、生成代码、辅助分析数据，甚至完成部分模型推导与程序实现，但它并不能替代建模过程中最关键的判断：问题究竟应该如何定义？哪些因素值得保留？模型应该怎样建立？结果是否合理？得到的结论又能否真正回答原始问题？这些能力，本质上仍然来自数学建模训练。

因此，在 AI 时代，数学建模并没有变得不重要，反而出现了新的能力要求。一方面，我们仍然需要具备扎实的建模思维与问题求解能力；另一方面，也需要学习如何科学、高效地使用 AI 工具，让它参与资料整理、模型探索、代码实现、数据处理、结果分析以及图表制作等环节。真正具有竞争力的，不是单纯"会建模"或者"会使用 AI"，而是能够把建模思维、算法工具与 AI 协同起来解决实际问题的人。

那么，当 AI 开始深度参与建模过程之后，数学建模竞赛应该怎么做？又该如何利用这些新工具提高比赛效率和最终成果质量？

在这篇分享中，我们将简述竞赛策略、工程化建模思维，重点讲述如何使用提升作图效率（以codex为例）

前言:拆解数学建模竞赛的核心思路

数学建模竞赛本质上是一项综合性的问题求解任务。参赛队伍需要在有限时间内完成从现实问题分析、数学抽象、模型建立，到计算求解、结果验证和论文表达的完整过程。

因此，相比单纯追求复杂模型，更重要的是建立一套能够真正执行并完整呈现的解题流程。下面主要从选题、解题节奏和论文表达三个方面，梳理一些较为通用的竞赛经验。

从选题到建模：优先保证方案可执行

选题阶段，首先需要判断团队现有的知识储备、编程能力和对题目背景的熟悉程度。

比赛时间有限，与其选择一个看起来更加复杂、但难以完整完成的题目，不如优先选择团队能够较快理解并实现的方向。

一个比较实用的判断标准是：能否在规定时间内完成全部问题，并形成一套逻辑完整、结果可靠的解决方案。

对于数学建模竞赛而言，完成度往往比单纯追求模型复杂度更加重要。

控制解题节奏：先完成，再优化

比赛过程中比较常见的问题，是在某一问或某一个模型上投入过多时间，导致后续内容无法按时完成。

更稳妥的方式是先快速跑通整个题目：理解问题背景，将题目要求转化为数学问题，使用相对成熟的方法得到各问的初步结果，并尽快搭建完整的论文框架。

在整体方案已经能够运行之后，再根据剩余时间逐步优化，例如补充现实因素、调整模型参数、改进预测方法，或者增加灵敏度分析和稳健性检验。

这种"先完成、再优化"的节奏，可以减少比赛后期的进度风险，也有利于从整体上理解题目各部分之间的联系。

从评阅角度完善论文表达

数学建模竞赛最终呈现给评委的是论文，因此论文不仅需要有结果，更需要把建模过程讲清楚。

在写作中，应重点说明：

模型逻辑要清晰。 需要说明现实问题如何转化为数学问题，为什么选择当前模型，以及模型如何解决题目中的实际需求。对于成熟算法，也应结合具体问题进行解释和适配，而不是直接套用。
可以采用由具体到整体的写作顺序。 比赛中可以先完成各问的具体模型和结果，再回头撰写问题分析、整体框架和流程图。等主要工作完成后再进行总结，往往能够更准确地提炼整篇论文的逻辑。
提前准备排版工具。 如果使用 LaTeX，建议赛前熟悉基本操作并准备好常用模板；如果使用 Word，也应提前统一标题、公式、图表和正文格式，减少比赛期间不必要的排版时间。
保持图表风格统一。 流程图、示意图和数据结果图应尽量统一字体、配色、线宽和版式。表格可以统一采用三线表，数据图也可以提前准备 MATLAB 或 Python 绘图模板，提高比赛中的出图效率。

一篇高质量的数学建模论文，不仅需要模型正确、结果合理，还需要让评阅者能够快速理解整套思路。

而随着 AI 工具逐渐进入建模与论文写作流程，流程图、技术路线图和图形摘要等过去需要大量人工完成的工作，也有了更加高效的实现方式。

下面将以 Codex 为主要入口，介绍几种适合数学建模论文的 AI 辅助绘图方案。

一、Codex + 飞书画板：生成可编辑的建模流程图

飞书画板适合做"可协作、可编辑"的流程图。它的优势是生成后可以直接在飞书里修改文字、颜色、节点和箭头，也方便团队成员一起改图。

首先安装飞书 CLI：

复制代码

npm install -g @larksuite/cli

然后在 Codex 中让它根据飞书官方文档完成登录和授权。

完成后，可以直接输入：

复制代码

请用飞书画板绘制一张"2023 国赛 C 题蔬菜类商品自动定价与补货决策"的建模流程图。

推荐图的结构是：

这种方式适合做论文里的"建模流程图"或"技术路线图"。如果你后续想手动微调，飞书画板比纯图片生成更方便。

二、Codex + SVG 复刻：把优秀论文图重建成可编辑矢量图

我们在阅读优秀论文或往年优秀数模论文时，经常会看到一些结构清晰、排版漂亮的框架图。与其从零开始设计，不如先复刻一个高质量版本，再替换成自己的内容。

比如你可以上传一张优秀论文中的框架图，然后输入：

复制代码

请将这张论文框架图精准重建为高质量、可编辑的 SVG 矢量图。 
要求： 
1. 保留原图布局、层级、配色、间距、边框和箭头关系； 
2. 所有文字都作为可编辑 text 元素； 
3. 所有方框、箭头、虚线、图标尽量使用 SVG 原生元素重绘； 
4. 不要把整张图作为位图嵌入。

如果换成数模场景，可以把原来的药物-蛋白框架图替换为：

复制代码

Input：
销售流水、批发价格、损耗率、品类信息 
Feature Analysis：
品类相关性、销量周期性、价格弹性 
Modeling：
需求预测模型、损耗模型、收益函数 
Optimization：
补货量与定价联合决策 Output：未来 7 天补货和定价方案

这种方式适合做"论文框架图复刻"。缺点是第一次重建比较考验图像理解和细节校验，但优点是最后得到的是 SVG，可编辑、可放大、适合论文排版。

三、Codex + Image Gen：快速生成图形摘要/概念图

如果你想要更像"科研图形摘要"的图片，比如用于公众号封面、论文开头示意图、项目展示页，那么 Image Gen 更合适。

例如输入：

复制代码

请生成一张科研风格的数学建模图形摘要，主题是：
2023 国赛 C 题"蔬菜类商品的自动定价与补货决策"。

画面需要包含：
1. 左侧：商超蔬菜货架、销售流水、批发价格、损耗率数据；
2. 中间：数据清洗、销量预测、损耗建模、定价补货优化；
3. 右侧：未来 7 天补货量和售价方案；
4. 风格：论文图形摘要，干净、专业、适合数学建模论文展示。

这种方式的优点是视觉效果好、速度快，适合做封面图、概念图、展示图。缺点也很明显：文字可能不够稳定，图中细节不一定完全可控，也不适合作为严谨的模型流程图最终版。更进阶的可以看第七节

四、Python + 生图 API：批量生成高清技术路线图

如果你想生成 4K 高清图片，或者批量生成多版不同风格的技术路线图，可以用 Python 调用生图 API。

例如让 Codex 生成脚本：

复制代码

请帮我写一个 Python 脚本，调用 gpt-image-2 或兼容的图像生成接口，生成 4K 高清数学建模技术路线图。
主题是 2023 国赛 C 题蔬菜补货定价决策。

适合生成的内容包括：

复制代码

数据层：销售流水、批发价、损耗率、品类信息
分析层：相关性分析、需求预测、价格弹性
模型层：收益函数、损耗模型、约束条件
优化层：补货量和定价联合优化
输出层：7 天补货定价方案、灵敏度分析

这种方式适合展示自动化能力，也适合批量生成不同尺寸、不同风格的图。但它本质上仍是图片生成，不如 SVG 或 draw.io 那样方便逐个元素编辑。

五、Codex + Nature Skills：生成论文风格图形摘要

Skills 可以理解为给 AI Agent 封装好的一套专业工作流。对于科研绘图来说，skills 的价值在于：它不仅生成图片，还会按照某类论文图的规范去规划结构、检查风格、输出图注。

安装 nature-skills：

复制代码

npx skills add Yuan1z0825/nature-skills --agent codex --skill '*' --yes --copy

然后调用：

复制代码

$nature-figure 根据下面内容，帮我绘制 Nature 风格数学建模图形摘要：

主题：2023 国赛 C 题蔬菜类商品自动定价与补货决策。
核心流程：数据输入、清洗聚合、需求预测、损耗建模、收益最大化、补货定价联合优化、7 天方案输出。
要求：适合放在数学建模论文或项目展示中，风格简洁、学术、信息层级清晰。

这种方式更适合做"漂亮的概念图"或"论文 Figure 1"。如果目标是投稿级图形摘要，它比普通 Image Gen 更稳定，因为 skill 会约束图的结构和输出风格。

六、Codex + Draw.io Skills：生成 IEEE 风格可编辑流程图

Draw.io 非常适合绘制数学建模论文中的流程图、系统框架图和技术路线图。它不像 Image Gen 那样自由发挥，而是更强调结构准确、节点清晰、可编辑。

安装 drawio skills：

复制代码

npx skills add bahayonghang/drawio-skills --agent codex --yes --copy

然后输入：

复制代码

$Draw.io Academic Figures 根据下面内容，create 生成一个 IEEE 风格 manuscript workflow figure：

主题：2023 国赛 C 题蔬菜类商品自动定价与补货决策。

流程：
1. Competition Attachments：销售流水、批发价格、损耗率、品类信息；
2. Data Cleaning：缺失值、退货、异常值、单位统一；
3. Category Aggregation：六大蔬菜品类和重点单品；
4. Association Analysis：品类相关性和价格关系；
5. Demand Model：销量预测、价格弹性、季节性；
6. Loss Model：损耗率与货架期；
7. Profit Objective：利润最大化；
8. Joint Optimization：补货量和定价联合优化；
9. 7-Day Plan：未来 7 天补货和定价方案；
10. Sensitivity Analysis：损耗率、价格弹性、批发价格波动。

Draw.io skills 的优势是可以生成 .drawio、.svg 等文件。.drawio 可以继续编辑，.svg 可以直接放进论文或博客。

需要注意的是：不安装 draw.io 桌面版，也可以生成 .drawio 和 .svg ；如果要导出 300dpi PNG 或 PDF，本地通常需要安装 draw.io Desktop。

七、PromoptFigure：面向数学建模论文的一键式生图

前面这些方法都能解决一部分问题，但对很多数模同学来说，真正麻烦的地方是：不知道该选哪种图，也不知道怎么写提示词。

PromoptFigure是面向小白的最后一种生图方案

用户只需要输入题目背景、模型方法和输出目标，系统就可以自动生成适合数模论文的图，比如技术路线图、建模流程图、图形摘要、结果解释图等。

以 2023 国赛 C 题为例，用户不需要分别研究飞书、SVG、Image Gen、API 和 draw.io，只要选择"蔬菜补货定价决策"这类场景模板，就能快速生成一张可用于论文或展示的图。

目前 Promote Figure 正在开放新用户体验。新用户注册后会获得免费的生图额度，可以直接生成技术路线图、论文框架图、图形摘要等常见场景。

如果想进一步体验，也可以加入我们的内测群频道。群里会不定期发放兑换码，福利多多。

总结

对于数学建模论文绘图，可以这样选择：

复制代码

想要协作编辑：用飞书画板
想要复刻优秀论文图：用 SVG 重建
想要漂亮图形摘要：用 Image Gen
想要高清批量生成：用 Python + 生图 API
想要 Nature 风格科研图：用 nature-skills
想要 IEEE 流程图：用 draw.io skills
想要最快完成数模论文配图：用PromoptFigure

参考资料

注:部分内容来源于网络，如有侵权，请联系删除