mcpField
M
mathodology-award-gates

mathodology-award-gates

github.com/sweetcornna数据与数据库316239 次安装今天更新
代码仓库

关于 mathodology-award-gates

面向数学与实证工作的审查技能，帮助评估解答、方法、证据和局限是否可靠。它强调按主张和时限选择检查项，并为重要问题给出依据与修正建议。

主要功能

  1. 01检查方程、约束与可行性
  2. 02核对方法与代码是否一致
  3. 03评估基线、拟合与评估设置
  4. 04追溯数据、代码和假设依据
  5. 05检查图表及论文可读性
  6. 06区分错误与可选改进

适用场景

  1. 01审查数学或实证解答
  2. 02核验结果与代码、数据的对应关系
  3. 03检查论文图表及 PDF 排版

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/sweetcornna/mathodology --skill mathodology-award-gates

安装后在 Claude Code 中输入/mathodology-award-gates确认已加载。

附带文件agents/openai.yamlscripts/make_contact_sheet.py

详细介绍

Mathodology Review Questions

保留旧版技能名称以便查找。请审查工作本身；不要根据虚构的数值阈值估算奖项，也不要要求采用特定的交接格式。审查力度应与所作主张和截止时间相匹配。

数学与实证问题

  • 解决方案是否回答了所有必答问题，并呈现了其核心机制？
  • 方程、单位、约束和极限情况是否一致？解决方案是否可行？
  • 能否根据现有观测值识别这些参数？
  • 所述方法是否与代码一致，包括预处理和排除项？
  • 报告的优势是否是在可比数据上与恰当的基线进行比较得出的？
  • 当主张需要时，拟合、调优和评估是否彼此分离？
  • 由归一化或约束必然产生的结果是否已明确标注？
  • 对重要假设进行合理调整，是否可能改变建议？
  • 是否区分了置信区间、预测区间和模拟变异性？
  • 报告的数字能否追溯到数据、代码、推导或明确陈述的假设？
  • 是否披露了证据缺口、失败的运行和重大局限？

请使用相关问题，而非尝试所有可能的测试。当多个场景共享可比较的随机输入时，配对模拟可能提高精度；请解释这些输入如何关联。对于估计概率，请使用蒙特卡洛不确定性，并披露模拟次数。不要根据少数几次成功运行就声称已得到证明。

图表与论文

加载图表预设。请按最终文档中的尺寸阅读图表。核对标签、不确定性的定义、图例、色标和图注是否与底层结果一致。检查编译后的 PDF 中页面密集的部分，以及单独导出的图像。Image2 图像必须与机制保持一致；生成的像素不能作为定量证据。

可选的 PDF 概览工具需要 Poppler 的 pdftoppm 和 Matplotlib。它会生成页面概览，供视觉审查：

python3 .claude/skills/mathodology-award-gates/scripts/make_contact_sheet.py solution.pdf -o overview.png

概览有助于发现版式问题；请放大页面密集的部分，判断实际可读性。成功渲染并不代表质量合格。

有用的审查反馈

解释每个重大问题、其证据、对结论的影响，以及具体的修正方案。区分错误与可选改进。在依赖结果之前，先纠正会产生实质影响的错误；披露尚未解决的不确定性。不要要求用户批准常规修正，也不要凭空设计评分仪式。

评论

支持 Markdown