2026数学建模竞赛AI实战指南：从读题到成稿的完整工作流

2025年国赛那几天，我所在的三四个建模群里，刷屏最多的求助不是“这道题用什么模型”，而是“AI给我的代码报错了”“AI写的这段解释我自己都看不懂，怎么往论文里放”。作为陪跑过多届国赛、也亲眼看着AI从“玩具”变成“队友”的人，我越来越确定：2026年备赛最该补的一课，不是再刷一遍《数学建模算法与应用》，而是学会把AI真正用在刀刃上。

这篇内容的目标很直接：从0到1，带你把一套以近五年C题典型的“供应链优化决策类问题”为蓝本的完整流程跑通，覆盖读题、数据探索、模型选择、代码落地、论文成稿和现场排错。不管你是第一次参赛还是已经打过几场，下面这套方法今天就能上手。

1. 备赛2026，AI角色重新定位：陪练、脚手架，不是代写人

1.1 一个反直觉的判断：AI最大的价值不在“最后一步”

很多人一听到“用AI做数学建模”，第一反应是“让AI帮我写论文”。这个理解不能说错，但方向偏了。我见过太多队伍，前三天吭哧吭哧干活，最后一天晚上让AI生成了几千字，结果第二天评委一问模型原理，全员沉默。论文是建模的外包装，不是模型本身。

AI在建模比赛里真正的价值，是“把低价值的重复劳动全部吃掉”，让你把精力留给最不该外包的那件事——对问题的理解和对结果的解释。我做过一个粗略统计：一场72小时的比赛，一支队伍真正用于“思考模型”的时间可能不到10小时，剩下大部分时间都花在数据清洗、调包报错、改格式、写描述性文字这些事上。这些恰恰是AI最擅长、也最稳定的环节。

所以，正确的用法不是“AI帮我写”，而是“AI帮我跑、帮我试、帮我改、帮我查漏”。这也是我在整篇内容里反复强调的底层逻辑：AI可以帮你把想法变成代码、把代码跑出结果、把结果整理成段落，但“为什么选这个模型”“这个结果在业务上是否合理”这两件事，必须由人来把控。

1.2 数学建模里AI扛得动的“三块硬骨头”和碰不得的“两条红线”

先说AI能扛的：

• 数据探索与清洗：缺失值处理、异常值定位、时间列解析、单位统一、特征构造，这些工作量大但套路固定，AI生成代码又快又稳。
• 模型原型与调参：线性规划、回归、时间序列、聚类、决策树这类常见算法，AI可以给出结构完整、注释清晰的代码，还能帮你做简单的参数对比。
• 写作辅助：把分析结果改写成规范的中文学术表达、给图表配说明文字、把公式解释成“让评委看得懂的话”，AI是效率神器。

再说碰不得的红线：

• 不能替你做“建模思路”的原创决策。AI可以给你三个候选方案，但基于题目背景做最终判断的必须是人。
• 不能替你编造假数据、假结果。AI的“脑补”能力很强，但没有数据支撑的数字一旦被追问，就是直接送命。

记住这两条红线，后面所有章节的用法都不会跑偏。AI是脚手架，不是承重墙。

2. 赛前三天搭好AI工作台：工具组合与提示词底座

2.1 我实测下来最顺手的备赛工具组合

先说结论：不要迷信某一个“超级AI”。不同工具在不同环节各有优势，我用下来最顺手的组合是这样的：

• 对话大模型：用于思路讨论、代码生成、论文润色。国内可用的Kimi、豆包、通义千问、DeepSeek都行，我习惯备两个不同家的模型，因为它们在数学推理和代码生成上的擅长点不一样，一个给的结果不满意就换另一个。
• 代码编辑器：推荐Cursor或VS Code加Copilot。Cursor的“用对话改代码”功能在比赛场景非常实用，报错信息直接丢给它，它能把修复后的代码整段吐出来。
• 本地Python环境：Anaconda加Jupyter Notebook，这是数模比赛的标准配置。有的队伍喜欢用在线平台，但比赛期间网络和服务器不一定稳，本地环境永远是最可靠的底牌。
• 画图辅助：先用代码出图，再让AI帮你检查图表标注是否清晰。需要画技术路线图时，可以让AI生成PlantUML或Mermaid代码，再转成图片。流程图、架构图这类图，AI能帮你把结构理得非常规范。

这个组合的核心思路是“各干各擅长的事”：大模型负责任务拆解和文本生成，代码编辑器负责把想法变成能跑的程序，本地环境负责兜底。

2.2 一套能管整场比赛的建模提示词模板

很多同学抱怨“AI给的东西太泛”，99%的原因不是AI笨，而是提示词没有信息量。比赛期间时间宝贵，与其现场磨提示词，不如赛前就把模板准备好。我自己压箱底的是一套四段式模板：

角色设定：你是数学建模竞赛教练，有十年国赛指导经验，擅长运筹优化与数据分析。 背景信息：我们正在做XX问题，数据包含XX列，共XX条记录，目标是XX。 任务拆解：请按以下顺序处理——（1）帮我理解题目中的关键约束；（2）给出3个可行模型方案并对比优缺点；（3）针对推荐方案给出可运行的Python代码，每段代码需要注释其数学含义；（4）如果信息不足，直接提问，不要编造。 输出要求：结果用清晰的标题分节，代码用标准格式，解释部分用“能给本科生讲明白”的语言。

这套模板的核心是“角色+背景+任务+约束”四要素都齐全。我给很多队伍推荐过，反馈都是“比我之前直接问好用太多”。你还可以在赛前针对几个高频题型（优化类、预测类、评价类）各准备一套专属模板，比赛时直接套用，省下的时间能多睡两小时。

2.3 先跑通一个数据体检脚本，比赛时直接抄

数据体检是建模的前置动作，但每场比赛都要重新写一遍又很烦。我建议赛前就把下面这个脚本跑通，比赛拿到数据后直接改路径就能用：

import pandas as pd import matplotlib.pyplot as plt df = pd.read_excel("data.xlsx", sheet_name="Sheet1") print("数据集形状:", df.shape) print("\n前5行:") print(df.head()) print("\n字段信息:") print(df.info()) print("\n缺失值统计:") print(df.isnull().sum()) print("\n描述性统计:") print(df.describe()) # 数值列分布直方图，保存到本地 df.hist(bins=30, figsize=(12, 8)) plt.tight_layout() plt.savefig("data_overview.png", dpi=150) plt.close()

这个脚本的作用不是“跑一遍看一眼”，而是让你在拿到数据的第一时间，就能发现关键问题：数据量太小可能撑不起复杂模型，缺失值过多需要做填充策略，某些字段的单位描述和数值范围对不上，这些都是后面建模决策的重要依据。脚本不用多复杂，关键是“可用、够稳”，比赛现场稳定大于炫技。

3. 拿到题后前两小时：用AI把C题“掰开揉碎”

3.1 题目解构：一段题干变成一张任务清单

C题的题干一般都很长，背景叙述里藏了大量隐含条件。很多队伍的通病是急着上手跑数据，结果做着做着发现漏了一个重要约束，只能推倒重来。

我建议拿到题的第一个小时，不碰数据，先把题干丢给AI做结构化解构。提示词可以这么写：

你是数学建模竞赛教练。请把下面的题目拆解成结构化任务清单：题目背景是什么？我们需要回答几个具体问题？每个问题对应的输入数据是什么？哪些是显性约束？哪些是可能被忽略的隐性约束？输出用表格形式。 [把题目全文粘贴进来]

AI会给你一张类似下面这样的表格：

这一步做完，题目的骨架就清楚了。你会知道这道题到底要回答几个问题，每个问题大概需要什么样的数据和方法，以及最容易被忽略的坑在哪里。这比看十篇经验帖都管用。

3.2 数据体检的AI协作：让AI帮你发现数据里的“脏东西”

跑完上一节的脚本后，把输出结果发给AI，它是你的第二双眼睛。这里我给一个实战过的对话模板：

以下是我数据集的描述性统计和缺失值情况。请帮我判断哪些字段可能存在异常值或录入错误，哪些缺失值需要特殊处理，哪些字段可以做特征衍生，并给出处理建议。注意，不要给出具体代码，先告诉我“为什么这么处理”。 [粘贴脚本输出]

这轮对话的价值在于，AI能帮你快速识别出一些容易忽略的问题。比如某个商品价格出现负值的行，可能不是数据错误，而是“退货记录”；某个品类销量全部为0的日期，可能是缺货而不是没生意。C题的优化决策题最怕的就是把异常值当噪声直接删掉，AI的全局视角能帮你多留个心眼。

3.3 把“3个候选方向”压缩成“1个主攻方向”

建模最怕的不是没有思路，而是思路太多，队伍内部分歧，两天过去了还在换模型。我建议用“候选方案对比矩阵”这个办法来收敛思路。

让AI针对你的问题给出三个候选模型方案，并让它按“数据适配度、实现难度、可解释性、评委认可度”四个维度打分。比如对于补货决策类问题，AI可能给你：

• 方案A：线性规划，最优解清晰，可解释性强，但假设价格不变、需求确定，与现实有偏差。
• 方案B：加入需求预测的时间序列模型+优化，更贴近实际，但流程更长，环节一多就容易出错。
• 方案C：强化学习，听起来高端，但在短时间内很难收敛，且评委难以理解你的决策逻辑。

打分之后基本就清楚了：初赛场景下，A方案最适合保证完整度，B方案适合冲奖，C方案不建议在有限时间内冒险。这个选择的过程一定要人在回路里，AI是帮你收敛，不是替你决定。

4. AI建模落地实战：一个补货定价优化题的完整跑通

4.1 把“我该用什么模型”翻译成AI听得懂的问题

到了建模环节，最常见的卡点是“我知道这题该用优化，但不知道怎么把现实约束翻译成数学表达式”。这时候不要直接问“帮我做第三题”，信息量太低了。

正确做法是把问题拆成“目标、决策变量、约束条件”三要素，喂给AI：

我们是一个生鲜超市的运营团队，每天要为A、B、C三种蔬菜决定补货量。目标是让总利润最大化。已知：每种蔬菜的进价、售价、日需求量的均值和标准差、当前库存量。限制：冷库总容量为500件，每种蔬菜每天最多补货200件，缺货会导致顾客流失（每缺一件损失3元）。请将此问题建模为优化问题，并给出Python求解代码。

AI会非常快地给你一个规划模型：决策变量是当日补货量，目标函数是销售收入减去进货成本再减去缺货损失，约束条件是容量限制和补货上限。这一步的本质，是把人脑里的“我想多赚钱，但不能挤爆仓库”翻译成了数学语言。建模题里最难的不是数学，而是这种翻译能力。

4.2 代码生成与本地运行：从线性规划到模拟验证

当问题规模不大时，用scipy.optimize.linprog就能解；变量一多、约束变复杂，我会让AI改用pulp或ortools，表达更清晰。下面是一个能直接跑的简化示例：

import pulp # 定义问题，pulp/maximize 表示最大化利润 prob = pulp.LpProblem("FreshMarket_Replenishment", pulp.LpMaximize) # 数据：蔬菜名称、进价、售价、需求均值、需求标准差、当前库存 items = { "A": {"buy": 4.0, "sell": 6.0, "mean": 80, "std": 15, "inv": 20}, "B": {"buy": 2.5, "sell": 4.5, "mean": 120, "std": 20, "inv": 30}, "C": {"buy": 1.8, "sell": 3.2, "mean": 150, "std": 25, "inv": 40}, } capacity = 500 max_restock = 200 shortage_cost = 3.0 # 决策变量：每种蔬菜的补货量 x = pulp.LpVariable.dicts("restock", items.keys(), lowBound=0, cat="Integer") # 决策变量：每种蔬菜的缺货量 s = pulp.LpVariable.dicts("shortage", items.keys(), lowBound=0, cat="Integer") # 目标函数：销售毛利 - 缺货损失 - 进货成本 prob += pulp.lpSum( (items[i]["sell"] * (x[i] + items[i]["inv"]) - items[i]["buy"] * x[i]) for i in items ) - pulp.lpSum(shortage_cost * s[i] for i in items) # 约束1：总库存不超过冷库容量 prob += pulp.lpSum(x[i] + items[i]["inv"] for i in items) <= capacity # 约束2：每种蔬菜补货量上限 for i in items: prob += x[i] <= max_restock # 约束3：缺货量不能超过需求（这里简化为用需求均值约束） for i in items: prob += s[i] <= items[i]["mean"] prob.solve() print("Status:", pulp.LpStatus[prob.status]) for i in items: print(f"蔬菜{i}: 补货量 = {x[i].varValue}, 缺货量 = {s[i].varValue}") print("总利润 =", pulp.value(prob.objective))

跑通这个代码后，别急着高兴。下一步才是关键：让AI帮你检查结果是否符合直觉。把输出结果发给AI，问它：“这个优化结果合理吗？如果我把冷库容量改成800，结果会怎么变？为什么？”AI会告诉你，当容量放宽后，利润更高但缺货也缓解了——这看起来很合理，然后你可以让它批量做参数扫描，出一张“容量-利润”的敏感性曲线图。这才是说服评委的硬材料。

4.3 灵敏度分析和结果检验：说服评委的关键一步

评委最反感的是“只有一个孤零零的结果”。你给出补货量是80件，然后呢？为什么不是90件？需求波动10%时，这个方案还成立吗？

这些检验工作AI能帮你做到一半。把你的优化代码里“需求均值80”改成“需求均值88”，重新跑一遍，让AI对比两次结果，分析方案是否稳健。如果结果变化很大，说明模型对需求预测太敏感，需要引入随机规划或鲁棒优化的思想；如果变化不大，说明方案稳健，可以作为结论写进论文。

我给一个标准做法：让AI帮你生成一个灵敏度分析表格，参数设置包括容量、需求均值、价格上下浮动，每改一个参数记录利润变化率。这个表格放进论文附录，直观程度极高，评委看到会觉得“这支队伍做了充分的验证”。

5. AI写论文的正确姿势：摘要、模型解释与“去AI味”

5.1 摘要初稿流水线：AI扩写、人工精修

论文写作最大的坑有两个：一是内容不完整，二是语言像翻译腔。摘要尤其重要，因为评委最先看的就是摘要，而且很多评委只看摘要。

我的摘要生产流程是这样的：

1. 把每道题的最终结论和核心数字整理成要点清单，发给AI，要求“用300字以内、结构化的语言写一段竞赛摘要，包括问题背景、方法、关键结果”。
2. 拿到AI初稿后，人工做三件事：把“基于XXX模型”这类表述细化成“构建了以需求预测误差最小为目标的XXX模型”；把AI写模糊的数字补上精确值；把“结果显示”开头改成更具体的“对XX品类而言”。
3. 让AI按“问题一/问题二/问题三”分段，确保每个问都有对应的模型名和关键结论。

这里有个技巧：摘要里不要出现AI常见的废话，比如“本文提出了一种有效的方法”“具有重要意义”这种话，评委一眼就能看出来是AI写的。好的摘要应该是信息密度极高的“干货段”，每句话都有具体的模型名字和具体数字。

5.2 图表和模型解释：让评委半小时看懂你的工作

C题通常有好几个小问，论文篇幅长，评委不可能逐字细看。你的图表和每章的模型解释，决定了评委能不能快速抓住你的核心工作。

图表部分，AI帮你出图后，你还需要加一个“图表说明模板”：每张图下面用一句话说清楚“横纵轴是什么、图里最关键的特征是什么、这个特征说明了什么”。让AI帮你写第一版，你审核修改。这个步骤很多人忽略，但对可读性的提升非常明显。

模型解释部分，我推荐一个“三步解释法”：第一步用一句话说明这个模型是干什么的；第二步用数学语言写下目标函数和核心约束；第三步用一个类比解释为什么选它。例如：“我们选择线性规划处理补货问题，本质上是在容量限制下寻找利润最大化的分配方案，这和在预算内给不同项目分钱是同一个数学结构。”这类表达配合AI润色，论文会显得既有深度又容易读懂。

5.3 AI使用范围与查重红线：今年赛场上的新规则

很多队伍担心：用AI写论文会不会被判定违规？我的看法是，合规的核心不是“用不用AI”，而是“怎么用、是否如实说明”。越来越多的比赛主办方已经明确要求参赛队申报AI使用情况，所以正确姿势是：

• 赛前查阅当年的参赛规则，按规则要求声明AI辅助的环节。
• 不要直接让AI生成整段论文后原样粘贴。任何结论、模型解释、创新点，都要经过你的理解后用个人语言重写。这不只是为了降低查重率，更是为了防止答辩时被问懵。
• 涉及数据结果和模型推导的内容，必须由你自己核对无误后再放进论文。

说白了，AI是帮你把“从想法到成稿”的效率提上来，但论文里的每一个字都应该经过你的大脑。这一点，建议每支队伍在赛前开个小会，统一认识，避免比赛后半段有人图省事直接整段复制。

6. 现场排错实录：AI辅助备赛最容易翻车的四个坑

6.1 提示词问得太笼统，AI回你一锅教科书

比赛现场最常听到的对话：“AI，帮我做第三题。”然后AI洋洋洒洒给了两千字，全是课本里的通用模型介绍，一点针对性都没有。这不是AI的错，是你没给它“抓手”。

正确的问法是：给出具体数据背景、你的目标、你已经尝试过什么、卡在哪里。比如“我已经拆好了约束条件，现在建模求解时报错‘linprog: Algorithm failed to find a feasible solution’，我怀疑是约束矛盾，请帮我检查约束之间有没有冲突，并给出排查方法。”这样的问题，AI能顺着你的思路帮你定位问题，而不是从零开始给你讲一遍线性规划。

6.2 数据一换就崩：AI代码的“过拟合”问题

AI生成的代码通常非常贴合你给它的那份示例数据，但比赛数据一换、字段名一改，代码就崩溃。这是因为AI“过拟合”了你提供的数据结构。应对方案是：在赛前练习时就养成“让AI写通用代码”的习惯，要求它“不要假设列名固定，请用代码先检查列是否存在，再进行操作”。这样生成的代码鲁棒性会好很多。

另外，任何AI生成的大段代码，在正式跑赛题数据前，先用一小部分样例数据测试。不要等第三天晚上才发现代码在第一天就埋了雷。

6.3 AI一本正经地编造“假结果”

AI在解释模型时偶尔会编造出一些“看起来很真实”的数值，比如“本模型预测准确率达到95%”“某方案能提升利润30%”。这些数字一旦写进论文，就是给自己挖坑。每看到一个AI给出的结论性数字，都要回到你的代码输出里核对。

我的习惯是：要求AI“所有结果引用代码输出的精确值，不允许自己估算”。如果AI在文字里给了一个数字，我会让它额外标注“此数字来自代码输出第几行”。这个习惯看似小事，却能避免最致命的一类错误。

6.4 论文里“AI味儿”太重，被评委一眼识破

最后说一个真实经历：某年评审时，有份论文的摘要里有句话“综上所述，本文提出了一种综合性的优化方案”，下面全是空洞的形容词，没有任何具体模型名和数字。评委当场评价就是“这段一看就是AI写的”。

去“AI味”不是靠降重工具，而是靠“具体化改写”：把所有“有效的”“先进的”“综合性的”这类形容词，替换成具体的方法名、参数名、结果数字。AI写得泛泛而谈的地方，恰恰是你应该补充细节的地方。你比AI更了解你的模型为什么这么设计，把这些“为什么”写进去，论文自然就有了人的痕迹。

我自己在各届比赛里踩过不少坑，最大的体会是：AI时代的数模比赛，比拼的不再是“谁会的模型多”，而是“谁能在有限时间内把模型、数据和表达串成一条完整的证据链”。工具再强，也只是让你跑得更快；方向感和判断力，始终在你自己的脑子里。备赛2026，从现在开始把AI当队友训练，比赛那三天你会感谢现在的自己。