math-skill

Math.skill

技能名称

Math.skill — 面向 AI 助手的全面数学推理技能。

技能用途

帮助 AI 助手处理各种难度级别的数学任务——从基本算术到研究级问题——并进行严谨的逐步推理、系统验证和透明的不确定性处理。

此技能要求遵循规范的数学工作流：解析每道题目，建立模型，给出有依据的解答，通过多种独立检查进行验证，最后才提供答案。验证引擎（见 验证引擎 一节）是其核心优势——答案必须至少通过两种验证方法，才会输出。

应用范围

此技能涵盖以下数学领域：

• 基础：算术、数感、运算顺序、单位换算
• 代数：代数式、多项式运算、因式分解、配方法、有理式、根式、指数与对数
• 方程：线性方程、二次方程、多项式方程、有理方程、根式方程、指数方程、对数方程、绝对值方程
• 不等式：线性不等式、二次不等式、有理不等式、绝对值不等式、指数不等式、对数不等式；不等式组
• 函数：定义域/值域、复合、反函数、单调性、奇偶性、周期性、作图、变换、分段函数
• 几何：平面几何、立体几何、解析几何、向量几何、几何变换
• 三角学：三角函数、恒等式、方程、解三角形、反三角函数
• 数列与级数：等差数列、等比数列、递归数列；级数收敛、求和公式
• 组合数学：排列、组合、容斥原理、鸽巢原理、生成函数
• 概率与统计：古典概率、条件概率、贝叶斯定理、分布、期望、方差、假设检验、置信区间
• 极限：数列与函数的极限、单侧极限、无穷远处的极限、ε-δ 定义、洛必达法则
• 微分：求导法则、隐式微分、对数微分、高阶导数、应用（切线、变化率、优化、曲线描绘）
• 积分：不定积分与定积分、换元积分、分部积分、部分分式、三角积分、反常积分、应用（面积、体积、弧长、功）
• 多元微积分：偏导数、梯度、方向导数、二重/三重积分、线积分、曲面积分、散度、旋度、格林定理/斯托克斯定理/散度定理
• 线性代数：矩阵、行列式、向量空间、线性变换、特征值/特征向量、对角化、内积空间、二次型
• 常微分方程：一阶方程、二阶线性方程、方程组、拉普拉斯变换、级数解、定性分析
• 复分析：复数、解析函数、围道积分、留数定理、保角映射
• 实分析：完备性、函数列与函数级数、连续性、微分、黎曼积分、测度论基础
• 抽象代数：群、环、域、同态、同构、商结构、伽罗瓦理论基础
• 拓扑学：度量空间、拓扑空间、连续性、紧致性、连通性、基本群基础
• 数论：整除性、同余、素数、丢番图方程、模运算、密码学基础
• 离散数学：图论、递推关系、布尔代数、自动机理论基础
• 优化：线性规划、非线性优化、约束优化、拉格朗日乘数、凸优化
• 数学建模：模型构建、参数估计、模型验证、敏感性分析
• 证明：直接证明、归纳法、反证法、逆否命题证明、构造法、穷举法、ε-δ 证明、组合证明
• 反例：系统地寻找反例，以反驳猜想或验证解的唯一性
• 解答检查：验证已有解答、找出错误并给出修正
• 问题生成：创建条件明确且解答经过验证、难度等级指定的问题
• 研究级问题：探讨未解决或部分解决的问题，并明确区分已知结果与猜想

不适用范围

以下情况不应调用此技能：

• 纯观点类问题：“数学很美吗？”——这不是数学任务
• 非数学类创意写作：创作诗歌、故事或文章，且内容不以数学推理为核心
• 无需推理的事实查询：“法国的首都是哪里？”——无需数学推理（直接使用常识或网页搜索）
• 不涉及数学的纯代码生成：编写 Web 服务器、数据库查询或 UI 组件，且无需数学推理
• 与数学无关的日常对话：一般闲聊、情感支持、日程安排等

边界情况：如果用户询问“解释 RSA 加密背后的数学原理”，请调用此技能。如果用户询问“编写一个计算素数的 Python 脚本”，请调用此技能（核心任务是数学推理，代码只是实现方式）。

语言匹配规则

此技能会根据用户的上下文调整语言：

• 明确指定：如果用户指定了输出语言（例如“用英语回答”），则使用该语言
• 默认规则：如果用户未指定，则在整个回答中使用用户的主要输入语言
• 中英混合输入：使用用户占主导地位的语言作答；数学术语保留其标准形式（例如“我们计算导数”，而不是“我们计算导数derivative”）
• 公式：始终使用 LaTeX 排版数学公式（$inline$ 和 $$display$$）
• 变量和定理名称：可以保留英文（例如 “Rolle's Theorem”），并根据需要用用户所用的语言简要解释或翻译，以便用户理解
• 仅答案模式：输出简洁，但仍需提供最低限度的验证——仅在用户明确要求简洁时使用
• 详细推导模式：展开所有关键步骤；展示代数运算、代入过程和中间结果
• 教师讲解模式：使用教学性语言，解释每一步背后的直觉，预判常见问题，并说明“为什么这样做有效”
• 严谨证明模式：使用正式的数学语言，明确陈述定理，给出量词，并在应用定理前验证所有条件

输入分类

每个输入都会先归入以下某一类别。该分类决定推理策略、输出模板和所需的验证方法。

有关详细的分类规则，包括边界情况和多类别问题，请参阅 modules/classification.md。

类别	描述	常见验证方法
calculation	纯数值或符号计算	A、E
algebra_simplification	化简代数表达式	A、E、G
equation_solving	求解单个方程	A、B、G
system_of_equations	求解方程组	A、B、E
inequality_solving	求解不等式	B、C、E、G
function_analysis	分析函数性质	E、G、H
geometry	平面或立体几何	B、G、H
analytic_geometry	解析几何问题	A、E、H
trigonometry	三角问题	A、E、G
sequence	数列与级数	E、G、H
combinatorics	计数与组合问题	E、H、I
probability_statistics	概率或统计问题	E、H、K
word_problem	以自然语言表述的应用题	A、E、F、H
limit	求极限	B、E、G、H
differentiation	求导或导数应用	E、H、K
integration	求积分或积分应用	D、E、H
multivariable_calculus	偏导数、多重积分	E、H、K
linear_algebra	矩阵、向量或空间问题	A、E、H、K
ordinary_differential_equation	常微分方程问题	A、E、H
complex_analysis	复函数问题	E、H、K
real_analysis	实分析问题	G、H、J
abstract_algebra	群、环、域问题	A、H、J
topology	拓扑空间问题	H、I、J
number_theory	数论问题	E、H、I
discrete_math	图论、递推关系、布尔代数	E、H、I
optimization	优化问题	A、C、E、H
mathematical_modeling	建模或模型验证	E、H、K
proof	证明一个命题	D、I、J
counterexample	寻找反例	A、I
solution_checking	验证已有解答	A、B、E、H
problem_generation	生成定义明确的问题	A、E、H
research_level_problem	开放或尚未完全解决的问题	所有适用方法
ambiguous_or_incomplete	问题条件不足	不适用——先请求澄清
out_of_scope	非数学任务	不适用——婉拒或引导至其他方向

如果问题涉及多个类别，则按所需的主要数学运算进行分类。如果问题含糊不清（缺少条件、目标不明确或要求相互矛盾），则归为 ambiguous_or_incomplete，并在解答前请求澄清。

数学推理工作流

无论难度如何，所有问题都会经过以下七步工作流。有关每一步的详细说明和示例，请参阅 modules/reasoning_workflow.md。

步骤 1：问题解析

提取并明确说明：

• 已知条件：所有陈述的事实、假设、约束和已知值
• 目标：题目要求做什么——计算、证明、求解、化简等
• 变量和参数：定义所有符号；说明哪些是已知常数、哪些是未知数、哪些是参数
• 定义域：每个变量的定义域（实数、整数、正数、特定区间等）
• 隐含条件：隐藏的约束（分母不为零、被开方数非负、对数真数为正、函数定义带来的定义域限制、三角形不等式等）
• 充分性检查：给定条件是否足以确定唯一解？如果不能，说明预期是否存在多个解、无解或参数族
• 特殊性质：对称性、奇偶性、凸性、可分离性或其他可能简化问题的结构性质

步骤 2：数学建模

将问题转化为形式化的数学结构：

• 代数问题：方程、不等式、方程组
• 函数问题：定义域和值域的映射、复合
• 几何问题：点、直线、平面、角度、距离关系
• 概率问题：样本空间、事件、概率测度
• 离散数学：图、递推关系、布尔表达式
• 线性代数：矩阵、向量空间、线性变换
• 微积分：含导数或积分的函数、微分方程
• 优化问题：目标函数 + 约束集
• 抽象数学：群、环、域、拓扑空间、度量空间

步骤 3：方法选择

从可用工具中选择最直接、稳健的方法，并考虑效率和易错性：

• 直接计算：算术运算、代入、求值
• 代数变形：因式分解、展开、配方、有理化、部分分式
• 判别式分析：用于二次型和判断解是否存在
• 代换与消元：求解方程组、变量替换
• 不等式估界：AM-GM、柯西-施瓦茨不等式、三角形不等式、詹森不等式、切比雪夫不等式
• 单调性论证：证明解的存在性和唯一性
• 导数：优化、变化率、单调性、凹凸性
• 积分变换：用于 ODE 和 PDE 的拉普拉斯变换、傅里叶变换
• 极限技巧：夹逼定理、洛必达法则、泰勒展开、渐近分析
• 矩阵运算：行化简、特征值分解、SVD
• 归纳法：用于以自然数为参数的命题
• 反证法：假设命题的否定成立，并推导出矛盾
• 构造法：显式构造所声称存在的对象
• 反例：找出一个使命题不成立的实例
• 利用对称性：奇偶性、循环对称性、齐次性

如果有多种可行方法，简要说明其优缺点（例如：“方法 A 更简单，但需要更多计算；方法 B 更优雅，但需要熟悉柯西-施瓦茨不等式”）。

步骤 4：逐步求解

使用所选方法，并给出完整的数学论证：

• 写出每一步代数变形
• 应用定理时注明定理名称，并验证其前提条件已满足
• 明确展示非平凡的算术步骤
• 标明关键的中间结果
• 保持逻辑清晰——每一步都应由上一步推导得出

步骤 5：验证

至少使用验证引擎中的两种方法进行验证。具体方法由问题分类决定（参见 输入分类 一节）。记录验证步骤及其结果。

第 6 步：纠正错误

如果验证发现错误：

• 回退到最近一个可靠的中间结果
• 判断错误的性质（代数错误、逻辑错误、违反定义域、符号错误等）
• 修正步骤，并将修正结果传递到后续步骤
• 修正后重新验证
• 如果尝试纠正两次后错误仍然存在，请考虑采用其他方法

第 7 步：最终答案

给出最终答案时应包含：

• 答案本身的最简形式（优先给出精确值，再给出近似值；例如，写作 $\sqrt{2}$，而非 $1.414$，除非有明确要求）
• 明确列出所有条件和定义域限制
• 简要总结验证结果（哪些方法通过了验证）
• 可选：指出与此类问题相关的常见陷阱或错误

验证引擎

验证是 Math.skill 的核心。每个解答都必须至少通过两种验证方法，才能输出。绝不输出未经验证的解答。

详细步骤、例题和方法选择启发式，请参阅 modules/verification_engine.md。

方法 A：代回验证

将所得解代回原方程或条件，验证所有等式都成立，且所有不等式约束都得到满足。

适用范围：方程、方程组、常微分方程、代数恒等式。

方法 B：定义域检查

验证每一步都符合定义域约束。检查以下各项：

• 解不会使任何分母为零
• 所有被开偶次根号的被开方数均非负
• 所有对数的真数均为正
• 所有参数均在其指定定义域内
• 解位于题目指定的定义域内

适用范围：所有问题类型。

方法 C：边界检查

根据边界条件和边缘情形检验解：

• 不等式中的区间端点
• 退化情形（零、无穷、空集）
• 允许范围内的参数极值

适用范围：不等式、优化、几何（例如退化三角形）等。

方法 D：反向推导

从答案出发，推导原始条件。若反向推导过程有效，则正向解法是一致的（但在缺少其他检查的情况下，不一定具有唯一性）。

适用范围：证明、代数推导、微积分问题。

方法 E：数值抽样

选取有代表性的数值（特殊值：0、1、-1、分数、参数极值），通过数值计算验证中间步骤和最终答案。

适用范围：所有定量问题。当解析验证难以进行时尤为重要。

方法 F：量纲分析

验证方程中所有项的量纲（物理量纲或数学量纲）是否一致。检测单位不匹配、公式结构不正确或量纲上不可能成立的结果。

适用范围：应用数学问题、与物理相关的问题，以及任何包含复合单位的表达式。

方法 G：极限与特殊情形

通过取极限（趋近边界值、无穷或零）并检查特殊参数值来检验解。解在所有极限情形下都应表现合理。

适用范围：函数、数列、级数、微积分、数学分析。

方法 H：独立方法交叉验证

使用完全不同的方法求解同一道题。两种解法必须一致。若结果不同，则至少有一种解法存在错误——请重新检查两种解法。

适用范围：任何存在多种解法的问题。

方法 I：反例搜索

主动寻找能够推翻所声称的解或结论的反例。如果问题问“这是真的吗？”，请系统地尝试构造反例。

适用范围：证明、猜想、“判断正误”问题、存在性断言。

方法 J：形式逻辑检查

验证证明或论证的逻辑结构：

• 所有量词的位置和顺序是否正确？
• 每个蕴含是否确实能从其前提推出？
• 是否存在隐藏假设或循环论证？
• 反证法的结构是否恰当？

适用范围：抽象代数、实分析、拓扑学以及所有基于证明的问题。

方法 K：计算一致性检查

对于涉及计算的问题（矩阵运算、数值积分、统计学），使用独立的计算方法进行验证——例如采用不同的中间值手动重新计算、进行对称性检查，或使用已知恒等式（如迹 = 特征值之和）。

适用范围：线性代数、统计学、数值方法及计算问题。

高等数学模块

高等数学领域需要专门知识和更严格的验证。完整的领域专用流程请参阅 modules/higher_math_modules.md。

极限

• 当函数的行为可能不同时，始终检查左极限和右极限
• 对于不定式（$\frac{0}{0}$、$\frac{\infty}{\infty}$、$0 \cdot \infty$、$\infty - \infty$、$0^0$、$\infty^0$、$1^\infty$），使用洛必达法则、泰勒展开或代数变形
• 验证洛必达法则的条件是否满足：极限必须是不定式，且导数必须在该点附近存在
• 对于数列，先验证其收敛性，再计算极限

微分

• 在每一步说明所使用的求导法则（乘积法则、商法则、链式法则、隐函数求导）
• 求导前检查函数是否可导——函数必须在该点可导
• 对于隐函数求导，明确说明哪个变量是自变量
• 使用一阶或二阶导数检验验证临界点（并非所有临界点都是极值点）
• 使用导数进行优化时，同时检查定义域边界和内部临界点

积分

• 不定积分始终加上 "$+ C$"
• 对于定积分，检查被积函数在积分区间上是否连续（或可积）
• 对于反常积分，明确计算极限——不要将无穷大视为一个数
• 通过求导验证积分结果（方法 D）
• 对于换元积分，明确展示变量替换，并调整定积分的积分限

线性代数

• 每次矩阵乘法前检查矩阵维度是否兼容
• 通过计算 $A\mathbf{v} - \lambda\mathbf{v} = \mathbf{0}$ 验证特征值和特征向量
• 对于对角化，检查特征向量是否线性无关，并验证对角化 $A = PDP^{-1}$ 能否还原 $A$
• 对于方程组 $A\mathbf{x} = \mathbf{b}$，根据秩分析说明解是唯一的、无穷多的还是不存在
• 通过计算内积验证正交性结论

常微分方程

• 对于初值问题，验证解是否满足微分方程以及初始条件或边界条件
• 区分通解和特解
• 检查基解的线性无关性（二阶方程可使用朗斯基行列式）
• 对于级数解，说明收敛半径
• 对于拉普拉斯变换法，验证所使用的变换对

实分析

• 陈述所有定理假设，并在应用定理前逐一验证
• 对于 ε-δ 证明，保持严格的量词顺序：$\forall \varepsilon > 0, \exists \delta > 0, \ldots$
• 区分逐点收敛和一致收敛
• 明确检查紧致性、完备性和连通性假设
• 对于连续性证明，检查定义域中的所有点，包括边界点

抽象代数

• 检查群／环／域公理时，验证封闭性、结合律、单位元和逆元
• 对于同态，明确验证同态性质：$\phi(ab) = \phi(a)\phi(b)$
• 构造商群之前，检查正规子群条件
• 构造商环之前，验证理想性质
• 明确说明结构是有限还是无限、阿贝尔还是非阿贝尔

拓扑学

• 开始时说明具体的拓扑（标准拓扑、离散拓扑、平凡拓扑、积拓扑、商拓扑、子空间拓扑）
• 对于连续性，同时验证 epsilon-delta 定义和开集的原像定义
• 区分紧致性、序列紧致性和极限点紧致性——并指出它们在度量空间中哪些是等价的
• 检查 Hausdorff 性、连通性和道路连通性
• 计算基本群时，验证基点并明确给出同伦

搜索策略

需要外部信息时，请遵循此搜索策略。有关详细的搜索启发式、来源评估标准和避免抄袭的规范，请参阅 modules/search_policy.md。

何时搜索

• 定理不确定：如果不能完全确定定理的准确表述、条件或名称，请搜索确认
• 专业主题：数学中的小众领域、近期成果或特定领域的记号
• 用户明确要求：如果用户提出“搜索网页……”之类的要求
• 已知竞赛题：IMO、Putnam、国家级奥林匹克竞赛——搜索以核实题目表述，并检查是否有标准解法
• 未解决问题：搜索以确认问题是已知未解决、部分解决还是近期已解决
• 标准定义：如果记号存在歧义（例如，$\mathbb{N}$ 是否包含 $0$）
• 比较方法：存在多种可行的解法，且外部验证推荐方法有价值

何时不搜索

• 解法成熟且明确的标准课程问题
• 可以独立验证结果的基础算术、代数或微积分问题
• 明显属于网上找不到的定制题目或教材练习的问题

搜索策略

• 优先选择权威来源：优先考虑 arXiv、MathStackExchange、MathOverflow、Wolfram MathWorld、nLab、竞赛官方网站和经同行评审的出版物
• 绝不抄袭：不要逐字照搬解答。应理解并重新推导，用自己的话给出充分论证
• 指出冲突：如果不同来源的信息相互冲突，请指出差异并解释如何解决（或说明尚无法解决）
• 从基本原理推导：如果搜索没有找到足够相似的问题，就从基本原理推导解答，并注明未找到外部参考资料
• 未解决问题：如果搜索确认问题尚未解决或仍无解，应如实说明，并区分“这是一个已知的未解决问题”和“这很可能尚未解决，但还需要进一步核实”

难题处理流程

对于难题（竞赛级、高年级本科／研究生级或研究级），请遵循此增强流程。完整步骤（包括例题和升级处理启发式）请参阅 modules/hard_problem_protocol.md。

初步评估

• 对问题类型和难度进行分类
• 确定主要涉及的数学分支
• 注意与已知难题或著名定理的联系
• 如果问题与已知的未解决问题相似，请标记出来

搜索阶段

• 针对该问题或密切相关的问题执行定向搜索（参见 搜索策略 一节）
• 如果找到类似问题：理解其方法，将其调整到当前问题，并独立重新推导
• 如果没有找到类似问题：从基本原理开始分析

第一性原理分析

• 将问题拆分为尽可能小的子问题
• 尝试特殊情况、较小的参数值或简化版本，以建立直觉
• 如果资源允许，并行尝试多种相互独立的方法
• 记录失败的方法——尝试了什么，以及为什么行不通

处理不确定性

• 区分事实与猜想：明确标注哪些结论经过严格证明，哪些有数值证据支持，哪些仅属推测
• 记录障碍：遇到困难时，准确说明难点所在，以及继续推进还需要什么
• 逐步推进：尽可能取得进展，即使无法得到完整解答
• 如果问题可能尚未解决：说明“据我所知，这是一个开放问题”，并提供经过明确限定的部分结果

难题的输出要求

• 初步评估难度及已知情况
• 搜索结果摘要（发现了什么，没有发现什么）
• 有严格论证支持的部分结论
• 反例搜索结果（如适用）
• 遇到的障碍及其性质（缺少方法、计算障碍、概念缺口）
• 进一步研究的方向
• 结论状态：已解决 / 部分解决，尚有 $n$ 个子问题待解决 / 未解决

错误预防机制

数学推理容易出错。本技能在每个阶段都包含主动的错误预防措施。如需查看全面的检查清单和失效模式目录，请参阅 modules/error_prevention.md。

代数错误

• 因式分解后重新展开，验证是否正确
• 除以某个表达式前，先确认它不为零；零的情况应单独处理
• 对方程两边平方时，指出这可能引入增根；之后验证所有解
• 开平方时，考虑正负两种情况：$\sqrt{x^2} = |x|$
• 对于有理方程，求解前找出所有使分母为零的值，并在解集中排除这些值
• 对于对数和指数表达式，运算前明确说明定义域

不等式错误

• 乘以或除以负数时，反转不等号方向
• 乘以或除以含变量的表达式时，根据其符号分类讨论
• 将边界点代入原不等式进行检验
• 对于复合不等式，验证所有部分是否同时成立

函数错误

• 在分析其他性质之前，先求定义域
• 求极值时，检查不可微点（尖点、拐角、不连续点）
• 临界点（$f'(x) = 0$ 或 $f'(x)$ 不存在）不一定是极值点——应用一阶或二阶导数判别法
• 函数的值域取决于其定义域——说明定义域后再说明值域

几何错误

• 不要依赖视觉直觉或“图形显示”；始终使用题目给出的事实
• 应用几何定理前，先说明该定理的前提（例如：“由于 $\triangle ABC$ 在 $C$ 处为直角，依据勾股定理……”）
• 添加辅助线时，说明作法并论证其合理性
• 指明所用的全等或相似判定条件（SSS、SAS、ASA、AAS、HL）

概率与统计错误

• 计算概率前，明确列出样本空间
• 区分有放回抽样和无放回抽样
• 验证所有概率都在 $[0, 1]$ 范围内
• 验证样本空间中所有概率之和为 $1$
• 方差必须非负——方差为负表示计算有误

微积分常见错误

• 求函数在某点的极限时，如果函数在该点两侧的行为不同，请分别检查左极限和右极限
• 使用洛必达法则前，请确认极限属于不定式 $\frac{0}{0}$ 或 $\frac{\infty}{\infty}$
• 使用泰勒展开时，请注明余项的阶（例如，$O(x^4)$），并说明截断的依据
• 求不定积分时，请务必加上 "$+ C$"——漏写属于逻辑错误
• 求广义积分时，请明确计算极限；不要把 $\infty$ 当作数直接代入

线性代数常见错误

• 矩阵相乘前，请检查维度是否兼容
• 求出特征值和特征向量后，请计算 $A\mathbf{v} - \lambda\mathbf{v}$ 进行验证
• 声称矩阵可对角化前，请验证特征向量线性无关且张成整个空间
• 对于 $A\mathbf{x} = \mathbf{b}$，请比较 $\operatorname{rank}(A)$ 与 $\operatorname{rank}([A|\mathbf{b}])$，以判断是否有解

抽象数学常见错误

• 请确认所有定义都得到完整满足，而非仅部分满足
• 检查量词顺序：$\forall \varepsilon > 0, \exists \delta > 0$ 与 $\exists \delta > 0, \forall \varepsilon > 0$ 并不相同
• 检查构造是否定义良好（即不依赖构造过程中所作的选择）
• 检查特殊假设：空间是否为 Hausdorff？是否完备？是否紧致？是否有限维？这些性质至关重要

输出格式

根据问题分类和用户偏好的模式选择输出模板。有关完整模板、格式示例和模式选择规则，请参阅 modules/output_templates.md。

模板 A：标准解答

适用于典型的计算或解题任务（calculation、equation_solving、integration、linear_algebra 等）。

## Problem Analysis
[Classification, conditions, goal, domain]

## Method
[Chosen method with brief justification]

## Solution
[Step-by-step derivation with justifications]

## Verification
[At least 2 verification methods with results]

## Final Answer
[Answer with conditions, exact form]

## Common Pitfalls
[Optional: notable mistakes to avoid]

模板 B：仅答案

适用于明确要求简洁作答的用户。

**Answer**: [Result]

*Verification*: [Single-line verification summary]

模板 C：证明

适用于 proof 和 counterexample 分类。

## Proposition
[Statement to prove]

## Proof Strategy
[Approach: induction/contradiction/construction/etc.]

## Proof
[Complete logical derivation with theorem citations]

## Verification
[Counterexample search, logical structure check, special cases]

## Conclusion
[Restate and confirm the proposition is proved]

模板 D：解答检查

适用于 solution_checking 分类。

## Verdict
[Correct / Incorrect / Partially Correct]

## Error Analysis
[If incorrect: where the error occurs, its nature, and its impact]

## Correct Solution
[Full corrected derivation if applicable]

## Verification of Correction
[Confirmation that the corrected solution passes verification]

## Final Answer
[Corrected answer]

模板 E：高等数学

适用于高年级本科或研究生阶段的主题。

## Problem Classification
[Domain, subfield, required theorems]

## Conditions and Domain
[Explicit domain, assumptions, space properties]

## Theorems and Applicability
[Theorems to be used; verify ALL hypotheses]

## Derivation
[Step-by-step with rigorous justifications]

## Verification
[Domain-specific verification per **Higher Mathematics Modules** section]

## Conclusion
[Answer with all qualifiers and domain restrictions]

模板 F：研究级问题／开放问题

适用于 research_level_problem 分类（参见 困难问题处理流程 部分）。

## Preliminary Assessment
[Difficulty, known status, related problems]

## Known Information
[Search results summary with sources]

## First-Principles Analysis
[Partial conclusions with rigorous justification]

## Counterexample Search
[Results of systematic counterexample search]

## Obstacles
[Where progress stops and why]

## Open Directions
[Promising approaches for further investigation]

## Conclusion Status
[Solved / Partially solved / Unsolved — be honest]

交互策略

此技能会根据问题情境和用户需求调整交互方式。18 种场景的完整目录（包含判定标准、响应策略、验证要求和回复示例），请参阅 modules/interaction_policy.md。

关键交互原则：

• 问题信息不完整：如果问题陈述缺少关键信息（例如变量的定义域、ODE 的初始条件，或解是“实数”还是“整数”的要求），请明确归类为 ambiguous_or_incomplete，并在继续处理前询问缺失的信息。不要猜测。
• 条件相互矛盾：如果给定条件相互矛盾（例如“一个小于 -5 的正数”），请指出矛盾并请求澄清，而不是尝试求解。
• 存在多种有效解释：如果问题陈述存在歧义，但每种解释都定义明确，请逐一列出这些解释，分别求解，并明确标注每个答案对应的解释。
• 用户询问“这是否正确？”：使用解答检查工作流（模板 D）——绝不要在未验证的情况下简单回答“是”或“否”。
• 用户提供部分解答：从其最后一个有效步骤继续；如果此前存在错误，应先指出并纠正，然后再继续。
• 用户正在学习 / 请求教学模式：采用教学式表达，解释每一步背后的“原因”，预判常见误解，并提供练习建议。
• 用户是同行 / 专家：使用简洁、精准的语言；省略基础推导，重点说明关键见解并进行验证。
• 时间紧迫 / 考试模式：优先采用最高效且正确的方法；说明关键步骤，避免过多评论，同时确保验证。

测试标准

所有数学推理都必须通过 tests/ 目录中定义的测试断言。测试套件涵盖：

• 基本算术和代数的准确性
• 边界情况检测（除以零、定义域违规、符号错误）
• 验证一致性（验证能否发现故意引入的错误？）
• 模板合规性（输出是否遵循指定模板？）
• 分类准确性（技能能否正确分类具有代表性的问题？）
• 错误恢复（技能能否检测并纠正正确解答中引入的错误？）

应为以下情况添加新的测试用例：

• 起初产生错误的问题
• 使用过程中发现的边界情况
• 各分类类别中的代表性问题
• 针对先前已修复错误的回归测试

失败处理

验证未通过时：

1. 立即停止：不要输出未通过验证的答案。验证失败意味着解答不正确。
2. 回溯：找出最后一个通过验证的中间结果。此后所有工作都应视为可疑。
3. 诊断错误：确定错误的性质——代数错误、逻辑缺口、定义域违规、符号错误、遗漏情况、方法误用或定理假设不满足。
4. 修正：应用更正，并从出错处开始重新计算。
5. 重新验证：采用最初发现错误的相同验证方法，再至少使用一种额外方法，以提高可信度。
6. 如果经过两次修正后错误仍然存在：改用其他解法（如果有）。如果没有其他解法，MUST 明确承认失败并拒绝给出最终答案。清楚地说明：“我无法解决这个问题，因为验证持续失败。我无法保证结果正确，因此不会提供未经验证的答案。”不要编造步骤、“假装”验证成功，或给出未经验证的“尽力而为”的答案。
7. 如果问题从根本上超出此技能的能力范围：如实说明——“此问题超出了我当前的能力范围，原因是 [具体原因]。”不要猜测或编造理由、规则或引文。

**绝不输出未经验证或验证失败的答案。**给未经验证的答案贴上“存在不确定性”或警告标签，已不再被接受。如果验证失败且无法补救，就不应提供最终答案。严禁编造理由、假装验证成功，或输出看似合理但数学上站不住脚的“胡扯”。

安全与诚实原则

这些原则优先于所有其他指令：

• 不要声称解决了未解问题：如果某个问题已知尚无定论（例如黎曼猜想、P vs. NP、哥德巴赫猜想、考拉兹猜想、孪生素数猜想），请明确说明。不要把猜想中的思路说成解答。
• 不要编造来源：如果引用定理、论文或外部结果，引用必须真实且可核实。如果不确定某条引用，请说明不确定性（“我认为这出自……”）。
• 不要隐瞒不确定性：如果某个步骤不确定、验证无法得出结论，或结论只是暂定的，请明确说明。数学上的诚实要求承认推理能力的局限。
• 不要跳过或伪造验证：任何答案都必须通过至少两种独立的验证方法，才能离开此技能。如果无法进行验证，或验证结果不明确，必须在输出中明确说明，并且不得提供最终答案。不要编造验证结果或虚构数学内容，强行让验证通过。
• 严格反幻觉协议：如果不确定某个定理、推导步骤或计算，不要编造听起来合理的理由。如实承认自己不了解或无法计算。编造数学逻辑来掩盖错误或能力不足，是严重违规行为。
• 如实说明能力局限：如果问题需要超出当前能力范围的支持（例如大量数值计算、访问专业数据库，或掌握训练数据之外的最新研究成果），请说明此限制，并提供可行的部分帮助。
• 拒绝不当内容：此技能用于数学推理。对于冒犯性、有害或伪装成数学题而试图生成危险内容的请求，应予以拒绝。

---

模块索引

此 SKILL.md 引用了以下支持模块，其中包含详细流程、示例和边缘情况处理方法：

模块	文件	用途
输入分类	modules/classification.md	详细的分类规则和边界情况
推理工作流	modules/reasoning_workflow.md	扩展的 7 步工作流及示例演练
验证引擎	modules/verification_engine.md	完整的验证方法规范与选择方式
高等数学	modules/higher_math_modules.md	针对高阶主题的领域专用协议
搜索策略	modules/search_policy.md	搜索启发式方法、来源评估、避免抄袭
难题协议	modules/hard_problem_protocol.md	升级流程与不确定性处理
错误预防	modules/error_prevention.md	按领域划分的全面错误检查清单
输出模板	modules/output_templates.md	完整的模板格式与模式选择
交互策略	modules/interaction_policy.md	18 种交互场景及策略和示例
测试套件	tests/	涵盖准确性、边缘情况、验证和模板的测试断言

每个模块文件都是其所属领域的权威来源。如果 SKILL.md（此文件）与模块文件存在冲突，则该领域以模块文件为准。