美赛AI提示词模板：五要素让ChatGPT从翻译工具变成建模参谋

美赛备赛期间，我见过太多队伍把ChatGPT带进赛场，结果从头到尾只让它做了一件事：翻译摘要。不是大家不想用AI找思路，而是真的不知道该怎么问。给AI甩一句“给我点思路”，它回你一段正确的废话；问“这个题用什么模型”，它给你列一堆不痛不痒的模型名。最后AI沦为一个高级翻译工具，白白浪费了最有价值的辅助能力。这背后的原因很简单——你不会问，它就答不好。我整理了一套专门针对数模竞赛场景的提示词模板，核心思路就是解决“想问又不会问”这个死穴，把AI从一个空泛的聊天对象，变成懂你题目、懂你进度、懂你卡点的竞赛参谋。

这套模板不是凭空编出来的，它是我和队友在多次实战里反复调出来的。我们试过直接问、分段问、扮演角色问，最后沉淀出一套固定结构，只要是搞数模的人，拿到就能直接套用，哪怕你以前根本没调教过AI。

1. 为什么你问不出好答案：先看清“无效提问”的三个通病

很多参赛者对AI的失望，其实不是AI能力不行，而是提问方式有问题。我在培训新生时做过一个实验，让两组人分别用两种方式向AI要思路，最后得到的回复质量差距大到不可思议。先说结论：问不出好东西，通常逃不开下面三个毛病。

1.1 通病一：问题太宽，AI只能给你正确的废话

“怎么做好美赛”“这个题有什么思路”“推荐一个模型”——这种问法我见过太多次了。你把问题抛得越宽，AI为了保证不犯错，就越倾向于给出一堆放之四海而皆准的套话，比如“建议先分析数据特征再选择合适的模型”。这句话有错吗？没错。有用吗？等于没说。

问题的本质是，AI没有读心术。你脑子里想的“思路”是什么？是数据该怎么预处理，还是模型该怎么改进，还是论文结构怎么设计？你不说清楚，它就只能在“尽可能安全”的范围内回答你。这跟你去问一个数学老师“数学怎么学”是一个道理，老师也只能说“多做题、多总结”，但如果你问“导数大题第二问总是做不出来，卡在参数讨论上”，老师马上就能给你对症下药。

1.2 通病二：不给背景，AI只能靠猜

数模题目是高度情境化的，数据从哪来、单位是什么、样本量多大、有没有缺失值、比赛是MCM还是ICM，这些信息直接决定了解题方向。但大多数人的提问方式是：直接把题目复制进去，然后问“怎么做”。

你想想，AI连数据长什么样都不知道，连题目里的隐藏约束都没来得及读全，你让它给思路，它只能给出教科书级别的通用解法。这种解法你翻书也能翻到，何必浪费AI的上下文窗口。真正有效的做法，是把你的解题背景像简历一样提前铺给AI：我们已经做了哪些预处理、选了哪个模型、卡在哪个环节、手头有什么数据、剩余多少时间。信息越充分，AI的回答就越具体，这是所有提示词技巧里最核心的一条。

1.3 通病三：不问过程，只要结果

“帮我写一个代码”是参赛者最爱用的一句指令。但代码拿回来之后呢？有几个能跑通的？AI生成的代码大概率第一次不能完美运行，而那之后你连“怎么改bug”都问不出来，因为在让它写代码时，你没有让它解释逻辑、提示潜在错误、说明输入输出格式。

好的提问应该是追问式的，不能当一次性买卖。我习惯让AI分步骤工作：先解释思路，再给代码，再补充测试用例，再让它自查边界条件。每一轮都在前一轮结果上追加信息，这样AI给出的内容才是真正可落地的，而不是让你在赛场上对着一个报错信息发呆。很多时候不是AI不聪明，是你问完第一轮就把对话框扔了。

2. 通用模板：五个要素让AI从“聊天机器”变成“竞赛参谋”

明白了为什么问不出好答案，接下来就是核心内容：一套可以直接抄走的提示词模板。这套模板我用了很久，无论是队友、学弟学妹还是网友，拿去之后反馈都是“AI的回答质量上了一个档次”。它的本质是给AI建立足够的上下文，并通过约束条件圈定回答范围。

2.1 模板总览与直接抄写版本

我的模板不花哨，就五个要素，我给它起了个名叫“五件套”：角色、背景、任务、要求、输出格式。下面这版是通用骨架，你拿到之后把括号里的内容替换成自己的情况就行。

text复制你是我的数学建模竞赛指导老师，参加过多次MCM/ICM，对赛题分析、模型构建、算法实现和英文论文写作都非常熟练。

【题目背景】
（粘贴题目核心内容，或用两三句话概括题目在讲什么问题）

【数据情况】
（说明数据规模、维度，是否有缺失值、异常值，以及我们已经做过的预处理）

【已完成工作】
（说明我们已经尝试过的方法、模型或思路，以及目前的结果和卡点）

【本次任务】
（一句话说明你想让AI帮你解决什么问题，越具体越好）

【回答要求】
1. 先给出结论，再展开解释
2. 涉及模型时说明适用条件和局限性
3. 给代码时用Python，并标注依赖库
4. 如果我的提问信息不足，先指出缺什么，再回答

这套模板看着简单，但每一步都踩在前面说过的通病上：角色设定让AI切换语境，题目背景和数据情况补齐上下文，已完成工作避免它重复提你已经放弃的方案，回答要求约束了输出的颗粒度。

2.2 五大要素逐一拆解：为什么要这么写

角色设定不是花架子。让AI扮演数学建模指导老师，和直接让它“回答问题”，效果差异很明显，因为AI会根据角色自动调整术语密度和表达重心。如果让它扮演一个“喜欢追问数据细节的严格评委”，它会自动在回答里补上你容易忽略的假设检验、敏感性分析这些内容。角色设定就是把AI调到你想要的视角上。

题目背景和数据情况是整套模板的灵魂。我见过太多人把赛题粘贴进去就不管了，但AI的上下文窗口是有限的，它不可能替你把一整篇十几页的题目全部消化成有效信息。你需要自己提炼：这道题本质是优化问题还是预测问题？数据是面板数据还是空间数据？这相当于你在给AI做重点标注，它自然能抓住主要矛盾。我还习惯在背景里注明题目所属的类型，比如“这是一个典型的资源分配问题，类似2021年美赛的种花问题”，有经验的AI一下子就能调用相关案例。

已完成工作这个要素很多人会忽略，但它恰恰是效率提升的关键。因为AI有严重的“重复倾向”，你不告诉它试过什么，它很可能把你已经否掉的方案重新推荐一遍。我把踩过的坑直接写进去，让AI绕开那些路，相当于给它一张“路线图”。这节省了来回试错的时间，在赛场上就是宝贵的几小时。

回答要求里的“如果信息不足先指出缺什么”，是我加的一个防呆设计。因为AI为了面子经常不懂装懂，你信息给得不够，它会强行回答，产出一堆不疼不痒的废话。有了这句话，它会先向你索要缺失信息，反而能引导你双方向更具体的讨论推进，而不是在一个空泛的问答里打转。

3. 分场景实操：从选题到论文，五个环节直接套用

通用模板解决的是“问得清楚”的问题，但数模竞赛的每个环节，需要AI做的事情完全不同。下面我按比赛推进顺序，分别给出每个场景的专用提示词模板和使用要点。

3.1 环节一：选题定方向

美赛六道题需要队伍快速锁定目标。在选题阶段，AI的价值不是替你选，而是帮你看清每道题的“信息增益空间”。我见过太多队伍凭直觉选了一道看似简单的题，深入之后才发现数据根本不全，或者模型要求超出能力范围。

text复制你是美赛选题规划专家，非常了解MCM/ICM六道题型的特点、常用模型和获奖难度的差异。

我们队伍共3人，其中两人擅长数据分析和机器学习，一人擅长连续型问题建模和论文写作，编程能力中等。

现在面临以下选题困惑：
（粘贴你纠结的几道题，或题目的大致方向）

请帮我们分析：
1. 每道题的数据获取难度和题目开放程度
2. 每道题的合适模型复杂度上限
3. 以我们队伍配置，哪道题冲奖概率更高
4. 有没有隐藏的雷区（比如题目隐含假设过多、结果难以可视化等）

回答尽量结合往年类似题目的获奖经验。

使用这套提示词时，重点要写清楚队伍分工和各自擅长方向。AI给出的选题建议本质上是个性化匹配的结果，你队伍的背景信息越真实，它的匹配就越准。如果你自己都不知道队伍的优势在哪，AI是不可能替你做决定的，它只能根据往年经验给一个统计意义上的热门题。另外一个技巧是，让AI预测一下每道题可能的“扩展方向”，比如如果选B题，评委可能期待什么样的创新点，这能帮你判断整个题的发挥上限。

3.2 环节二：模型选型与建模思路

选完题之后，最卡人的就是对题目做数学抽象，这个环节决定了后面的路走得顺不顺。很多队伍卡在这里问AI“这个题用什么模型”，我只能说太浪费了。这个环节你要问的不是模型名字，而是：根据题目特征，有哪些候选方案，每个方案的适用前提是什么，我们应该用哪个。

text复制你是数学建模算法专家，精通微分方程、优化算法、统计模型、机器学习等主流建模方法。

我们选择的题目是：
（用两三句话概括问题）

题目关键特征是：
（罗列你认为重要的数据特征，比如非线性、高维、时序、空间、带约束、有噪声等）

我们初步考虑了以下方案：
（写下你们目前讨论出的1-3个想法，哪怕不成熟）

请评估这几个方案的优劣，并补充你们可能没想到的建模方向。
具体要求：
1. 每个方案说明适用条件和局限
2. 结合赛题特征，推荐一个主模型和一个备选模型
3. 给出建模的整体技术路线，分步骤描述
4. 点出方案里最容易翻车的假设

这个提示词的精髓在于“题目关键特征”。不同题目虽然看起来千差万别，但数学特征就那么多，你把特征喂给AI，它就能在一个更“数理”的坐标系里帮你找模型。有一年我们遇到一个关于无人机路径规划的问题，看起来一团乱麻，但把“三维空间、多目标、动态障碍、时间窗约束”这些关键词提取出来后，AI直接引导我们想到了带时间窗的车辆路径问题变体，瞬间就有了方向。

我建议在模型选型阶段多跑几轮：第一轮让AI给候选模型列表，第二轮针对最优模型深入问，第三轮让它对比主模型和备选模型的边界场景表现。每轮对话保持上一轮的上下文，不要重新开窗口，这样才能让AI记住你的选择逻辑，而不是每次从零开始。

3.3 环节三：算法设计与代码实现

代码是很多参赛队伍的噩梦，也是AI最能帮上忙的地方。但“帮我写代码”这个请求实在太过原始，任何用过AI编程的人都懂那种返回一段漂亮代码却跑不通的绝望。我建议用下面这版提示词来做算法实现。

text复制你是资深Python算法工程师，写过大量数学建模和数据分析相关的代码，对数值计算、优化求解、数据可视化非常熟悉。

我们正在用以下模型解决问题：
（模型名称+数学表达，或者手头的伪代码）

数据格式为：
（描述数据有多少列、每列含义、数据类型、缺失值情况）

需求描述：
（明确要实现的具体功能，比如“用遗传算法寻找最优解”“画出三维散点图和决策边界”）

请按以下方式输出：
1. 先用文字说明你的实现思路和大致步骤
2. 再给出完整可运行的Python代码，标注依赖库
3. 在代码的关键位置加注释，说明每段逻辑的用途
4. 给出1-2个测试用例和期望输出，方便我验证代码正确性
5. 说明这段代码可能出现的常见报错及应对方案

用过几次这个模板之后你会发现，AI返回的内容明显变得“工程化”了。它先讲思路再给代码，能让你在抄代码之前理解逻辑，改动时也更灵活。加注释这个要求，表面上是加几行字，实际作用是让代码变成你的东西，而不是一串从天而降的神秘指令。测试用例更是救命，很多AI代码第一次跑不通，有了测试用例，你就能快速判断是算法思路错了还是实现细节错了。

还有一个小技巧：如果你的实现时间紧张，可以要求AI“优先使用已经成熟且文档丰富的库”，比如求优化问题用SciPy或者pulp，机器学习优先用scikit-learn，深度学习才上PyTorch。这样实现的代码通常更稳，社区资料也多，遇到问题容易搜到答案。

3.4 环节四：结果分析与敏感性检验

代码跑完只是开始，评委非常看重你对结果的解读和模型的稳健性分析。很多队伍在这一步图省事，草草贴几张图就交差了，结果评语里写着“模型缺乏验证”。AI在这里能帮你系统性地做“挑刺”。

text复制你是数学建模竞赛的资深评委，负责从评审角度审查我们的论文和结果。

我们的模型和主要结果如下：
（粘贴模型公式、关键结论、图表标题和数字结果）

请从评委视角审查：
1. 结果是否足够有说服力？哪些地方看起来很“虚”？
2. 如果我是评委，我最可能质疑哪些环节？
3. 我们的模型在哪些条件下会失效？是否做了敏感性分析？
4. 应该补充哪些图表或检验，让结果更扎实？
5. 论文中哪些表述可以被量化，从而显得更专业？

这个提示词的本质，是让AI站在你的对立面思考。绝大多数队伍从“做模型”到“写论文”是一条直线，很少跳到评委视角审视自己。我每次用这个模板，AI都能挑出一堆我们没想到的问题，比如“这个结果依赖于某个参数的默认值，需要补充参数扰动实验”“缺少与基准模型的对比，说服力不足”。这些问题早点发现，就能在截止日期之前补齐，而不是在提交前的小时里手忙脚乱。

3.5 环节五：论文结构优化与语言润色

美赛论文是英文写作，对于非母语者来说，语言是天然的失分项。但AI润色绝不是把段落丢进去让它“翻译得更地道”这么简单。我见过太多人用AI润色后，语言变流畅了，但专业表达被改得面目全非，甚至数学符号都乱了。

text复制你是学术英语写作专家，对数学建模论文的表达方式非常熟悉。

下面是我论文中的一段（请仅处理这一段，不要动其他内容）：
（粘贴原文）

请在保持专业术语准确、数学公式不变的前提下：
1. 优化句式，让表达更符合英文学术写作习惯
2. 指出与上下文可能不衔接的地方
3. 对可能被评委认为“不够严谨”的模糊表述给出修改建议
4. 列出你修改过的关键表达，用中英文对照呈现，方便我校对

注意：
- 不要过度改变原意
- 不添加原文没有的数据或结论
- 如果原文表述本身有学术问题，请明确提出

分段润色这个操作看似繁琐，但效果远好于整篇文档一股脑丢进去。因为AI只有在你给它明确范围时，才能注意到段落之间的衔接，而不是机械地逐句翻译。我一般要求AI输出中英对照，这样我就能快速审阅它做了哪些修改，防止它在润色过程中自作主张地“优化”了你的逻辑。还有一个习惯是，润色完成后让AI用中文解释一遍它的修改理由，这样还能当作一次学术写作学习，越写越专业。

3.6 环节六：终稿漏洞检查

提交前的最后两小时，是整个比赛最慌乱的时刻。这时候最容易犯低级错误，比如图表编号错乱、摘要超字数、参考文献格式不统一。AI虽然不能替代人工检查，但可以帮你快速做一轮系统性排查。

text复制你是美赛论文提交前的最后把关人，非常清楚美赛对论文格式、摘要、引用规范的要求。

以下是我们论文的完整摘要：
（粘贴摘要全文）

请检查并回答：
1. 摘要是否清晰回答了“问题是什么、方法是什么、结果是什么、结论是什么”四点
2. 是否出现了“我们尝试了……但失败了”这类减分表述
3. 摘要字数是否在合理范围内，有没有多余废话
4. 摘要里涉及的模型名称和缩写是否在前言中首次出现并解释
5. 参考美赛评委喜好，给出摘要的改写建议

另外，这是一份我们论文的图表和公式编号清单：
（粘贴清单）
请检查编号是否有跳号、重复，图表标题是否包含足够信息。

这个模板的价值在于“清单化”。与其一遍遍肉眼扫全篇，不如让AI带着明确任务定向检查，效率会高出很多。我甚至会让AI把检查结果按严重程度排序，哪些是必须改的硬伤，哪些是可改可不改的锦上添花，这样在时间紧张时能快速做出取舍。

4. 真实对比：同一个问题，两种问法结果天差地别

讲了这么多理论，不如来一场实战对比。我用同一个问题场景，展示了低质量提问和高质量提问下AI给出的不同回答，你们能直观感受到模板到底改变了什么。

4.1 低质量提问与AI的“安全回答”

假设题目是2023年美赛C题——Wordle结果预测。低质量提问是这样的：

text复制帮我看看这道题怎么做。C题，关于Wordle的，给了很多数据，要预测词被猜中的次数分布。

AI的典型回答：

text复制建议先对数据进行探索性分析，包括去除重复值、处理缺失值、查看数据分布。然后可以用机器学习模型如随机森林或XGBoost来预测，同时可以用自然语言处理技术来分析单词特征。最后评估模型效果并可视化结果。

这段回答什么问题都没解决。它没有告诉你用什么特征、怎么处理时间序列结构、怎么应对数据中的隐藏规律，更没有提到“报告题目还要求解释模型的可解释性”。如果队伍照着这个思路去做，大概率会用一个随机森林硬训练，最后论文里塞几张特征重要性图，草草收场。

4.2 高质量提问与AI的“实战建议”

同样的问题，用模板问，效果完全不一样：

text复制你是数学建模竞赛指导老师，精通时间序列预测和文本特征工程。

我们选的是2023年美赛C题，关于Wordle猜词结果预测。原始数据有约几万条游戏记录，每条记录包含日期、单词、尝试次数、用户分布等字段。我们已经做了基本清洗，发现尝试次数分布呈右偏态，且单词难度疑似与词频、字母重复度有关。

我们打算用回归模型预测每天“7次尝试以内完成”的人数占比，卡在特征设计上。

请帮我们：
1. 设计一套文本特征工程方案，从单词本身提取预测因子
2. 考虑到数据是按天记录的，建议如何处理时间序列结构
3. 推荐一个主模型和一个备选模型，并说明各自适用条件
4. 指出这个思路里最容易被评委质疑的两个薄弱点

这种情况下，AI会给出非常具体的方案，比如建议提取单词的字母频率、元音比例、常见字母位置、Wordle官方词表排名等特征，还会提醒你加入日期滞后变量来处理趋势变动，并指出纯粹用回归可能低估极端分布、建议考虑分位数回归或者负二项回归。这些建议拿来就能用，能实实在在推进你的解题进度。

4.3 差距背后的三个原因

两组提问的差距，极其典型。信息密度差了一个量级，AI只能根据你提供的信息来组织回答，低质量提问提供的信息几乎是零，AI没有抓手，只能泛泛而谈。状态感知差了一个量级，高质量提问里“我们已经做了基本清洗”“卡在特征设计上”这两句，等于告诉AI往前走两步就停，它就知道该往“特征工程”这个方向深挖，而不是从数据清洗重新讲起。风险意识差了一个量级，模板里那个“最容易被评委质疑的薄弱点”要求，逼着AI站到评委视角去审查方案，这是低质量提问永远得不到的答案。

很多参赛者觉得AI不够聪明，其实是提问太懒。你把AI当成搜索引擎，它只能给你百科式的答案；你把它当成一个熟悉你的指导老师，它就能给出量身定制的建议。提示词模板做的事情，说到底就是帮你在短时间内建立起和AI之间的“共同上下文”，这个上下文才是高质量回答的基础。

5. 常见问题与避坑实录

模板用多了，自然会踩到一些坑。我把常见问题和自己的应对方法整理成一个速查表，你们遇到类似情况可以直接对照。

5.1 高频问题速查表

表格里的几个问题基本覆盖了参赛者最常遇到的坑。尤其是AI编造数据集这个，危险程度最高。数模数据通常有几十列，字段命名各有特色，AI如果没见过你的数据，就会凭想象编一些通用字段（比如“date”“count”）来凑答案，最后你拿着一个不存在的列名去跑代码，直接报KeyError。应对方法就是老老实实把列名清单贴给它，不给它发挥的空间。

5.2 如何识别AI给出的“看似有用实则坑人”的建议

AI在竞赛场景下特别容易产生一种问题，我称它为“自信的幻觉”：它用非常确定的语气，提出一个术语正确但方法论有问题的建议。比如让AI推荐模型时，它很可能抛出一个听起来很高级的“Transformer模型”，但完全没考虑你的数据量小、训练成本高、可解释性差，在美赛这种三天极限场景里根本不现实。

识别这类建议的方法，是追问三连：“这个方案的时间成本大概多少？跟我们目前的数据量匹配吗？如果模型效果不佳，备选方案是什么？”这三个问题能逼AI从“术语表演”转向“工程落地”。如果它给出的时间成本明显超出比赛剩余时间，或者它自己也说不出备选方案，那这个建议大概率是空中楼阁，放弃就好。

还有一类坑是AI会过度优化某个指标而忽略整体故事线。比如为了追求预测精度，它建议你堆叠十几个模型，最后模型复杂度爆炸，论文写不清楚，评委看得一头雾水。对竞赛来说，可解释性和清晰的故事线往往比精度重要得多。我一般会提醒自己，AI可以帮我们做得更多，但最终论文是给评委看的，建模思路必须像一条清晰的主线，而不是一堆炫技算法的堆砌。

5.3 让AI帮你检查模型漏洞的三个追问技巧

最后分享三个实战中特别好用的追问技巧，能让你的模型稳健性提升一个档次。

第一个技巧是“反向找茬”。模型构建完成后，直接让AI扮演严格的评审专家，目标不是夸你，而是“找出三个模型最可能在答辩环节被问倒的问题”。这个反向指令会让AI切换到挑刺模式，产出的意见往往比正向的“帮我优化模型”有用得多。

第二个技巧是“边界测试”。让AI列出模型成立的假设条件，然后逐个问“如果这个假设不满足，模型会怎么变化，有什么补救方案”。比如你用了线性回归，AI可能指出数据存在异方差性，补救方案是加权最小二乘或对目标变量取对数。这个操作一次性能帮你把敏感性分析的前半段做掉。

第三个技巧是“替换推演”。让AI回答：“如果换一个跟主模型完全不同原理的模型，它会在哪个环节表现更好？为什么？”这不是让你真的换模型，而是通过这种对比让你更清楚主模型的优势和局限。写论文时，这一段可以直接转化成“模型对比”部分的素材，非常有含金量。

我自己打比赛那会儿，还没有这么成熟的提示词模板，全靠在对话框里一遍遍试错，不知道浪费了多少时间。后来总结出这套方法，再去带学弟学妹时，明显感觉到他们起步快了很多。说句实话，AI在数模竞赛里能做的不只是找思路，它可以当你的算法外包、写作助手、审稿人甚至模拟评委，但前提是你能把你的问题讲清楚。希望这份模板能帮你们少走点弯路，比赛时多留几小时睡觉，把精力花在真正需要人的创造力和判断力的地方。

最后再提醒一句：模板是死的，思路是活的。用模板和AI对话时，不要把它的回答当成权威答案，它是你的“讨论伙伴”，不是你的“参考答案”。每个建议都要用自己的数学直觉去过滤，毕竟最后署名的还是你和你的队友。