mcpField
P
problem-classifier

problem-classifier

github.com/zhnnky329数据与数据库1.1k35 次安装5 周前更新
代码仓库

关于 problem-classifier

problem-classifier 是面向研究工作流的技能，根据问题所需输出、决策结构和约束对各子问题分类，并记录证据、置信度及需人工确认的歧义。它强调问题框定而非算法选择。

主要功能

  1. 01按所需输出分类子问题
  2. 02记录主类、次类与置信度
  3. 03标注分类依据和验证影响
  4. 04识别需人工确认的歧义
  5. 05保存结构化分类记录

适用场景

  1. 01整理多子问题的研究任务
  2. 02区分预测、优化与分类问题
  3. 03发现会改变研究结论的问题框定歧义

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/zhnnky329/mathmodeling-skills --skill problem-classifier

安装后在 Claude Code 中输入/problem-classifier确认已加载。

附带文件references/task-type-guide.md

详细介绍

前置条件

  • planning/parse/problem_parse.json 存在，且将每个 Qx 映射到一个输出。
  • 明确呈现重要的框架歧义。

仅在迁移期间读取旧版解析路径。

任务类型

  • 评估/排序；
  • 预测/估算；
  • 优化/决策；
  • 机制/动态；
  • 分类/聚类；
  • 图/路由/网络；
  • 仿真/情景；
  • 描述/推断；
  • 混合。

详细提示见 references/task-type-guide.md。

工作流

  1. 根据所需输出、决策结构、约束和关系进行分类，而不只是看关键词。
  2. 指定：
    • 主要类型；
    • 可选的次要类型；
    • 置信度；
    • 来自解析结果的依据；
    • 对验证和交付物的影响。
  3. 找出会改变团队所能提出的主张的混合或模糊框架。
  4. 对于影响重大的歧义，调用一个选项卡说明后果。不要默默做出决定。
  5. 保存 planning/classification/problem_classification.json。
  6. 将人工框架决策记录在 methods/Qx/qx_decisions.jsonl 中；如果 Qx 方法目录尚不存在，则记录在 planning/framing_decisions.jsonl 中。

输出约定

{
  "schema_version": 1,
  "subquestions": [
    {
      "id": "Q1",
      "primary_type": "evaluation",
      "secondary_type": null,
      "confidence": "high",
      "evidence": [],
      "required_validation": [],
      "framing_decision_id": null,
      "risks": []
    }
  ]
}

规则

  • 不要提出或选择方法。
  • 不要仅根据“预测”或“最优”等名词进行分类；应核实所需输出。
  • 一个子问题可以是混合类型，但应避免罗列过多类型而不加优先排序。
  • 如果不同分类会导致实质不同的输出或主张，则必须由人工确定框架。
  • 如果 JSON 记录已足够，不要创建冗长的分类报告。

验证

  • 每个 Qx 都有一个主要类型。
  • 混合/次要类型有合理依据。
  • 分类依据可追溯到解析结果。
  • 模糊框架已由人工确认，或仍作为阻塞项。
  • 分类中未泄露算法选择。

参考

  • references/task-type-guide.md

评论

支持 Markdown