本项目把“赛题解析 → 数据整理 → 写作生成 → 合并成稿”固化为一条可复用的流水线。你只需要把赛题与附件按约定放好，然后一键运行，即可在 paper_output/ 下拿到论文草稿与支撑图表。
不需要懂代码，不需要看文档，只要三步：
- 把赛题文件（PDF/Word）扔进
problem_files/文件夹。 - 在对话框里对我说：“开始生成” 或者 “跑一下这个题”。
- 去喝杯咖啡（约 20 分钟）。回来后在
paper_output/下收取：final_paper.docx：直接可提交的 Word 文档。final_paper.md：图文并茂的 Markdown 原稿。
注意: 我不会问你“要不要洗数据”、“要不要建模型”。只要你给了题，我就默认你要的是最终 Word 论文，我会一口气跑完所有流程。
- 把赛题 PDF/Word 与附件数据放进：
problem_files/ - （可选）把爬虫/外部补充数据放进：
crawled_data/ - 在项目根目录运行：
python .trae/skills/paper-workflow-orchestrator/scripts/run_all.py最终交付在：paper_output/final_paper.md
为避免“skills 各自为战”，本项目把输入输出目录统一成三类：
数学建模/
├── problem_files/ # 输入：赛题 PDF/Word + 官方附件数据（必填）
├── crawled_data/ # 输入：补充/爬虫/权威数据（可选）
├── paper_output/ # 输出：一切中间产物与最终论文（自动生成）
│ ├── tasks.json # 任务清单（微单元）
│ ├── micro_units/ # 微单元文本（逐条生成）
│ ├── generate_log.json # 生成日志
│ ├── final_paper.md # 最终合并稿（核心交付）
│ ├── ref_check.md # 引用/编号断链报告
│ ├── data_cleaned/ # 清洗后的数据
│ └── figures/ # 图表（可直接插入论文）
└── .trae/skills/ # 技能定义与脚本
约束：
problem_files/必须非空，否则 QA 会阻塞后续流程。- 任何脚本或技能生成的中间文件，统一归档到
paper_output/，避免散落在根目录。
一键入口：paper-workflow-orchestrator 会按固定顺序串联以下步骤（对应脚本见 run_all.py）：
- 数据清洗与可视化：
data-cleaning-and-visualization- 输入：
problem_files/、crawled_data/ - 输出：
paper_output/data_cleaned/、paper_output/figures/
- 输入：
- 质量门禁与任务清单：
quality-assurance-auditor- 输入：检查
problem_files/非空 - 输出：
paper_output/tasks.json、初始化paper_output/micro_units/
- 输入：检查
- 微单元离线生成：
paper-micro-unit-generator- 输入：
paper_output/tasks.json - 输出：
paper_output/micro_units/*.txt、paper_output/generate_log.json
- 输入：
- 合并成稿：
paper-micro-unit-generator- 输入：
paper_output/micro_units/*.txt - 输出：
paper_output/final_paper.md、paper_output/ref_check.md
- 输入：
下面给出“规划类 → 数据类 → 产文类 → 全局监督”的推荐顺序。你也可以直接跳到“一键流程”。
-
modeling-paper-rubric-and-model-selector- 作用：生成论文结构/评分点清单/模型路线（基线-改进-验证）。
- 建议归档：
paper_output/plan/。 - 后续接：
problem-doc-model-selector或直接一键流程。
-
problem-doc-model-selector- 作用：解析赛题 PDF/Word，逐问抽取任务/约束/数据条件并给出模型路线。
- 建议归档：
paper_output/step1/。 - 后续接：数据获取/数据清洗，或直接一键流程。
-
authoritative-data-harvester- 作用：补充权威公开数据，输出可复现抓取方案。
- 归档约定：
crawled_data/raw/、crawled_data/processed/、crawled_data/sources.json。 - 后续接：
data-cleaning-and-visualization。
-
data-cleaning-and-visualization- 作用：清洗
problem_files/与crawled_data/里的结构化数据，生成 EDA 图表。 - 产物：
paper_output/data_cleaned/、paper_output/figures/。 - 后续接：
quality-assurance-auditor。
- 作用：清洗
-
paper-structured-composer- 作用：章节/小节级别的分解生成与合并，适合“需要补写某几个章节”或“先有一个可读的大纲版正文”。
- 建议归档：
paper_output/structured_sections/与paper_output/structured_paper.md。 - 后续接：
quality-assurance-auditor或paper-micro-unit-generator。
-
paper-micro-unit-generator- 作用：微单元级别批量生成与合并（更细粒度、更容易控字数与覆盖评分点）。
- 产物：
paper_output/micro_units/、paper_output/final_paper.md。 - 前置依赖：
quality-assurance-auditor先生成paper_output/tasks.json。
quality-assurance-auditor- 作用：全局门禁与一致性检查（目录必检、任务清单生成、合并前后把关）。
- 一句话：没过它就不进入下一步。
- “数据到底放哪？”：官方附件放
problem_files/，补充数据放crawled_data/。 - “文章在哪里？”：看
paper_output/final_paper.md。 - “为什么有的 skill 文档写的路径不一致？”：已统一以本 README 的三大目录为准；各 skill 的
SKILL.md已补充“目录约定/前后衔接”。