### 2. 上传问题与数据 (Upload Problem & Data)
简单上传您的问题描述和相关数据集。
### 3. 自动建模 (Automated Modeling)
智能体自动选择并构建数学模型。
### 4. 数据分析 (Data Analysis)
执行复杂的数据分析并生成可视化图表。
### 5. 论文撰写 (Paper Writing)
自动生成专业的建模报告和学术论文。
### 6. 项目管理 (Project Management)
高效追踪和管理多个建模项目。
---
## 🔬 数学建模智能体如何工作？
该智能体通过以下结构化流程，模拟人类的建模过程：
1. **🧠 问题分析**
理解问题背景、目标、可用数据以及约束条件。
2. **📐 数学建模**
将真实问题转化为数学模型，包括设定假设、建立公式、选择建模技术等。
3. **🧮 计算求解**
编写算法或数值方法，通过仿真或优化等手段求解模型。
4. **📝 结果汇报**
总结建模流程，分析结果，生成结构清晰的报告。
我们提出的 MM-Agent 是一个面向开放性真实建模问题的端到端解决方案。它借鉴专家的建模工作流程，系统性地分析非结构化问题描述、构建结构化数学模型、进行求解并生成分析报告。
在所有环节中，建模阶段最具挑战性，需要将复杂的现实情境抽象为具有可行解的数学形式。为此，我们设计了分层建模知识库 **HMML（Hierarchical Mathematical Modeling Library）**，其结构涵盖领域（domain）、子领域（subdomain）、方法节点（method node）三层，共编码了 98 种高层建模方案。
HMML 支持基于问题内容和解法目标的双向检索，帮助智能体完成建模抽象与方法选择。具体来说，MM-Agent 首先分析并分解问题为多个子任务，随后通过 HMML 检索合适的方法，并结合 actor-critic 机制不断优化建模方案。在求解阶段，智能体调用 **MLE-Solver** 自动生成并迭代优化代码，以高效准确地完成求解。最终，它会生成一份结构化报告，总结建模流程、实验结果与核心洞察。
---
## 🌐 在线演示
演示地址：[Hugging Face Spaces](https://huggingface.co/spaces/MathematicalModelingAgent/MathematicalModelingAgent)
---
## 👾 当前支持的模型
* **OpenAI**：`gpt-4o`
* **DeepSeek**：`deepseek-R1`
---
## ▶️ 快速开始
### 🔧 运行智能体
你可以通过以下命令直接运行智能体：
```bash
python MMAgent/main.py --key "your_openai_key" --task "task_id"
```
**示例：**
```bash
python MMAgent/main.py --key "sk-XXX" --task "2024_C"
```
其中，`task` 参数对应 MM-Bench 中的问题编号（如 `"2024_C"` 表示 2024 年 MCM 的 C 题）。
---
## 🖥️ 安装指南
### ✅ 环境要求
* 推荐使用 Python 3.10
* 建议安装 Conda
### 💻 安装步骤
1. **克隆项目仓库**
```bash
git clone git@github.com:usail-hkust/LLM-MM-Agent.git
```
2. **创建并激活 Conda 环境**
```bash
conda create --name math_modeling python=3.10
conda activate math_modeling
```
3. **进入项目目录**
```bash
cd MM-Agent
```
4. **安装依赖项**
```bash
pip install -r requirements.txt
```
---
## 🤝 联系与社区
欢迎加入我们的微信群获取最新动态和服务支持！
## 📜 许可协议
源代码遵循 **\[CC BY-NC]** 许可协议。
---
## 📚 参考文献
```bash
@misc{mmagent,
title={MM-Agent: LLM as Agents for Real-world Mathematical Modeling Problem},
author={Fan Liu and Zherui Yang and Cancheng Liu and Tianrui Song and Xiaofeng Gao and Hao Liu},
year={2025},
eprint={2505.14148},
archivePrefix={arXiv},
primaryClass={cs.AI},
url={https://arxiv.org/abs/2505.14148}
}
```