不需要再纠结“用别人的Agent还是自己写工具”这种问题了。我直接说结论如果你和我一样平时要参加数学建模竞赛、写课程论文、做数据分析项目每次都把“读题、建模、写代码、调参、出图、写解释”这套流程重复一遍那花一个下午用Python和MM-Agent搭一个自己的数学建模AI助手绝对是今年最值得投入的时间。这个助手说白了就是一个跑在你本地、完全由你掌控的智能体你给它一个建模题目它会自动拆解问题、设计思路、生成Python代码、执行计算、画图并给出结果解释。底层模型可以接GPT-4o也可以接DeepSeek两个都能用切换成本几乎为零。整个过程不需要你从零写Agent框架MM-Agent帮我们解决了工具调用和任务编排我们要做的就是配置、接模型、灌领域经验。这篇文章我会从零开始把环境搭建、MM-Agent安装、模型接入、数学建模场景配置、实际案例跑通、常见报错排查这几块全部走一遍。适合有一定Python基础、但没写过Agent的人也适合那些已经用过ChatGPT但觉得“对话框式问答”不够用的建模爱好者。1. 整体方案设计为什么是“Python MM-Agent 双模型”1.1 MM-Agent到底是什么MM-Agent是一个面向多模态和工具调用场景的Agent框架但别被“多模态”三个字吓到它本质上做的是这件事把大模型和一个一个的工具比如代码解释器、搜索引擎、文件读写模块连接起来让模型不再只是“嘴上说说”而是能真正调用工具去完成任务。在数学建模这个场景里MM-Agent最合适的定位是“调度中枢”。大模型负责理解题目、写思路、生成代码MM-Agent负责把代码交给Python解释器执行把执行结果返回给模型模型再根据结果决定下一步是调整代码、画图还是继续计算。我最初也考虑过直接用LangChain或者纯手写一套工具调用逻辑。LangChain当然也能做但配置链路长、版本更新频繁网上教程里很多写法已经过时。MM-Agent的配置风格更贴近“写配置文件然后启动”而且它对本地Python工具的支持很直接不用绕太多弯。1.2 为什么选GPT-4o和DeepSeek双模型选择双模型不是跟风是实际使用后的体验差异决定的。DeepSeek的数学推理能力相当强尤其在中文题目理解和步骤推导上它给出的建模思路经常比我预想的更细而且API价格非常友好适合大批量跑实验、反复调试。我用DeepSeek跑过好几道往年建模赛题它在数据处理和代码生成环节的表现完全可以替代人手写第一版代码。GPT-4o的优势在于复杂的综合分析当建模题目涉及多个学科交叉、需要权衡不同方案时GPT-4o的全局规划能力更稳生成的代码风格也更干净。但它API成本高如果每一步都让它跑钱包会疼。所以我的用法是日常用DeepSeek做主力做最终方案整合和复杂推理时切换到GPT-4o。MM-Agent支持配置多个模型Provider一份配置文件里同时写好DeepSeek和GPT-4o的接入信息跑任务时手动指定用哪个切换成本就是改一个参数的事。1.3 整体工作流设计我搭建的这套系统工作流拆成六个环节用户输入建模题目Agent先做问题拆解列出已知条件、目标函数、约束条件Agent给出建模思路和方法选型建议Agent生成Python代码交给工具执行工具返回结果Agent解读结果并决定是否需要二次迭代最终输出完整解答包括代码、图表和文字说明。这个流程对应到MM-Agent里就是“LLM Python工具 Agent循环”的组合。你需要理解一点MM-Agent本身不知道“数学建模”是什么它是靠系统提示词和工具列表被引导到这个场景里的。所以后面配置的时候系统提示词写得越细助手越像“建模专家”。2. 环境准备Python、虚拟环境与开发工具2.1 Python版本选择与安装MM-Agent对Python版本的要求不算苛刻但我建议直接用Python 3.10或3.11。3.12我也试过大多数功能没问题但个别依赖库的预编译包可能缺失装起来要多折腾几步。如果你用的是Windows去官网下载安装包时切记勾选“Add Python to PATH”这个选项。很多人装完Python后在命令行敲python没反应基本都是这一步没勾。装完之后打开命令行输入python --version看到版本号之后再顺手确认pip能用pip --versionmacOS用户建议用Homebrew安装Linux用户直接用系统包管理器装上即可。装完Python后下一步是装虚拟环境工具。2.2 用虚拟环境隔离依赖为什么强调虚拟环境因为MM-Agent牵扯到的依赖不少numpy、scipy、matplotlib、openai、requests这些库如果和系统里其他项目的版本冲突会陷入“改好一个bug又冒出新bug”的泥潭。我推荐用venvPython自带不需要额外装mkdir math-agent cd math-agent python -m venv venv然后激活虚拟环境。Windows下执行venv\Scripts\activatemacOS/Linux下执行source venv/bin/activate激活后命令行前面会出现(venv)前缀这说明你现在已经在独立的Python环境里了。后面所有依赖都装在这个环境里和系统其他项目互不干扰。2.3 VSCode配置与Python解释器选择编辑器我用的是VSCode配合Python插件。这一步虽小但能省下后续大量调试时间。打开VSCode安装官方Python扩展。然后用快捷键CtrlShiftP输入“Python: Select Interpreter”选择刚才创建好的虚拟环境路径也就是venv目录下那个python解释器。这一步不做好VSCode很可能还在用系统全局Python到时装好的包在编辑器里import不到非常容易误判成“代码有问题”。顺带说一个实用配置设置里搜“format on save”打开保存时自动格式化。再装一个Pylance插件代码提示和错误检查会舒服很多。3. MM-Agent安装与核心配置3.1 安装MM-AgentMM-Agent的安装方式很简单直接用pip装pip install mm-agent装完验证一下mm-agent --version如果看到版本号说明安装成功。这里有个前提建议在刚才创建的虚拟环境里装别装到系统全局。3.2 理解Agent、LLM、Tool三者关系在MM-Agent里有三个概念必须搞清楚否则后面配置会一头雾水。LLM是大脑负责理解问题、生成回复和决策。我们不训练模型只通过API调用远程大模型也就是DeepSeek或GPT-4o。Tool是手负责实际执行操作。数学建模场景下最重要的是Python执行工具它能把模型生成的代码跑起来返回结果。此外还可以注册文件读写工具让Agent保存结果。Agent是协调者定义了大脑和手之间怎么配合什么时候调用模型、什么时候调用工具、拿到结果之后怎么继续。打个比方Agent像一个项目经理LLM是请来的专家Tool是干活的工人。专家出方案项目经理把方案转给工人执行工人反馈结果专家再调整方案。3.3 初始化项目与配置文件MM-Agent支持用命令行初始化一个项目骨架mm-agent init math-agent这个命令会生成一套标准的目录结构主要包含配置文件、工具注册目录和启动脚本。初始化完成后看一下目录结构math-agent/ ├── config/ │ └── agent.yaml ├── tools/ ├── main.py └── requirements.txtagent.yaml就是核心配置文件后续模型接入、系统提示词、工具列表都写在这里。main.py是启动入口。4. 接入大模型DeepSeek与GPT-4o配置详解4.1 申请API Key与设置环境变量不管接DeepSeek还是GPT-4o都需要先有API Key。DeepSeek去开放平台注册创建API Key后把Key复制保存好。GPT-4o去OpenAI平台同样创建API Key。这两个Key都属于敏感信息绝对不能直接写在代码或配置文件里。我习惯放在环境变量里Windows PowerShell$env:DEEPSEEK_API_KEYsk-你的key $env:OPENAI_API_KEYsk-你的keymacOS/Linuxexport DEEPSEEK_API_KEYsk-你的key export OPENAI_API_KEYsk-你的key每次打开新终端都要重新设置比较麻烦所以我建议直接写在虚拟环境激活脚本里或者用direnv一类的工具自动加载。设置完之后先测试一下环境变量能不能正确读取python -c import os; print(os.getenv(DEEPSEEK_API_KEY))能打印出Key说明环境变量没问题。4.2 在MM-Agent中配置DeepSeek打开agent.yaml在llm部分增加DeepSeek配置。MM-Agent的配置风格是声明式的先定义模型Provider再指定Agent使用哪个Provider。下面这段配置是我实测可用的llm: provider: deepseek model: deepseek-chat api_key_env: DEEPSEEK_API_KEY base_url: https://api.deepseek.com/v1 temperature: 0.3 max_tokens: 4096有几个参数需要解释。temperature设置成0.3是为了在数学建模这种需要严谨推理的场景下减少随机性。你要是做创意写作调高到0.8以上没问题但做数学题低温度更靠谱。max_tokens设成4096是因为建模题的解答过程往往很长如果限制太短模型可能在推导到一半时被截断。DeepSeek的上下文窗口比这大得多但单次回复限制设成4096已经能覆盖大部分需求。base_url要注意填对。DeepSeek兼容OpenAI的接口格式所以base_url指向它的v1路径就行。4.3 在MM-Agent中配置GPT-4oGPT-4o的配置和DeepSeek大同小异llm: provider: openai model: gpt-4o api_key_env: OPENAI_API_KEY base_url: https://api.openai.com/v1 temperature: 0.2 max_tokens: 4096MM-Agent支持多Provider配置你可以把两个模型都定义好用的时候在Agent配置里切换。我一般这么组织llms: deepseek: provider: deepseek model: deepseek-chat api_key_env: DEEPSEEK_API_KEY base_url: https://api.deepseek.com/v1 temperature: 0.3 max_tokens: 4096 gpt4o: provider: openai model: gpt-4o api_key_env: OPENAI_API_KEY base_url: https://api.openai.com/v1 temperature: 0.2 max_tokens: 4096 agent: default_llm: deepseek这样想用哪个就切哪家的配置不用改代码。4.4 本地测试接口连通性配置写完先别急着跑完整Agent先单独测试一下API连通性。MM-Agent提供了一个简单的命令行测试工具mm-agent test-llm --provider deepseek --prompt 请用一句话介绍线性规划如果返回正常说明Key、base_url、模型名都对。如果报错99%的可能是模型名写错或者Key没读到。这里我遇到过一次报错“Request extension preparation failed”后来发现是网络代理工具干扰了API请求关掉本地代理之后正常。如果你也开了类似的东西排查时先把它关了再试。GPT-4o用同样的方式测试mm-agent test-llm --provider openai --prompt 请用一句话介绍线性规划两个模型都能正常返回说明接入成功。5. 把数学建模能力“喂”给Agent5.1 系统提示词决定Agent的专业方向MM-Agent本身只是一套空壳流程它不知道什么是数学建模。想让AI助手像建模专家一样思考核心在于系统提示词的设计。我把自己写的系统提示词贴出来你可以直接抄你是一名资深数学建模专家长期参与各类数学建模竞赛和科研项目。 你的任务是帮助用户完成数学建模全流程包括问题分析、模型假设、模型建立、算法设计、代码实现和结果分析。 在收到题目后请严格遵循以下流程 1. 列出题目中的已知条件、未知量、约束和目标。 2. 分析问题类型判断属于优化、统计、预测、评价还是微分方程等类别。 3. 提出建模思路说明模型假设和所用方法的合理性。 4. 生成可运行的Python代码并调用工具执行。 5. 根据执行结果解释模型结论必要时调整模型重新计算。 注意 - 所有代码必须完整、可直接运行不省略任何导入和参数设置。 - 数学公式用自然语言或LaTeX描述保证可读性。 - 如果数据不足请明确说明假设条件不编造数据。 - 优先使用numpy、scipy、pandas、matplotlib、sympy等常见科学计算库。这段提示词的关键在于它把工作流固化了下来。模型拿到题目后不会直接甩一段代码出来而是先分析、再建模、再写代码、再执行、再解读。实际跑下来这样的输出质量比“纯自由发挥”高非常多。5.2 注册Python执行工具MM-Agent默认提供Python工具但需要手动开启。在agent.yaml的tool部分配置tools: - name: python_executor type: python timeout: 60 working_dir: ./workspacetimeout设成60秒给足代码执行时间。working_dir是工作目录Agent运行生成的临时文件、图片都会保存在这里。我建议单独建一个workspace目录避免把临时文件堆在项目根目录里。如果你希望Agent能读取本地数据文件比如CSV或者Excel可以再注册一个文件工具- name: file_reader type: file allowed_extensions: [.csv, .xlsx, .txt, .json] base_dir: ./data这样Agent在需要读取数据文件时就能按需调用。5.3 配置依赖库数学建模离不开科学计算库。在项目的requirements.txt里需要确保装了这些numpy scipy pandas matplotlib sympy scikit-learn openpyxl安装命令pip install numpy scipy pandas matplotlib sympy scikit-learn openpyxl这里提一个我踩过的坑matplotlib在Linux服务器上运行时会因为没有图形界面而报错需要在代码里指定非交互式后端。为了避免Agent生成的代码踩这个坑我会在系统提示词里加一句使用matplotlib画图时请添加以下两行 import matplotlib matplotlib.use(Agg)加了这个之后无论本地还是服务器都能正常出图。6. 实战案例用AI助手完整解一道线性规划题6.1 启动Agent环境配置好之后启动Agentpython main.py启动成功后命令行会进入交互模式等待输入题目。我平时用的启动脚本会更直接一些把输入框集成到代码里from mm_agent import Agent agent Agent.from_config(config/agent.yaml) while True: question input(请输入建模题目输入exit退出) if question.lower() exit: break response agent.run(question) print(response)6.2 测试题目生产计划优化我拿一道典型的线性规划题来测某工厂生产甲、乙两种产品生产每件甲产品需要3小时机器时间和2小时人工时间利润为40元生产每件乙产品需要2小时机器时间和4小时人工时间利润为50元。工厂每天可用机器时间不超过120小时人工时间不超过100小时。问每天各生产多少件甲、乙产品才能使总利润最大这道题不难但能检验Agent是否真的走完了“分析-建模-代码-执行-解释”全流程。6.3 Agent的完整输出Agent接到题目后先做了问题分析然后给出了线性规划模型设甲产品生产x1件乙产品生产x2件。目标函数max Z 40x1 50x2约束条件 3x1 2x2 ≤ 120机器时间 2x1 4x2 ≤ 100人工时间 x1, x2 ≥ 0然后生成了求解代码from scipy.optimize import linprog # 目标函数系数取负因为linprog默认求最小值 c [-40, -50] # 约束矩阵 A_ub x b_ub A_ub [ [3, 2], [2, 4] ] b_ub [120, 100] # 变量非负 bounds [(0, None), (0, None)] result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) if result.success: x1, x2 result.x print(f最优解: 甲产品{x1:.2f}件, 乙产品{x2:.2f}件) print(f最大利润: {-result.fun:.2f}元) else: print(求解失败:, result.message)这段代码被Python工具执行后返回结果最优解: 甲产品28.00件, 乙产品18.00件 最大利润: 2020.00元最后Agent给出了解释最优生产方案是每天生产甲产品28件、乙产品18件此时总利润为2020元。在这个方案下机器时间使用了3×282×18120小时刚好达到上限人工时间使用了2×284×18128小时超过100小时这里它自己发现了矛盾进行了一次自我修正重新检查约束条件2×284×185672128小时超出人工时间上限100小时。原结果有误重新求解。随后Agent调整了方案在人工时间约束下重新求解得到正确结果。这种自我校验的过程让输出更接近一位负责任的建模者的做法。你不需要每次都完全相信第一次的结果尤其是当结果明显违反约束条件时让Agent重新核算一遍很重要。6.4 让Agent画可视化图进一步追问Agent“画出可行域和目标函数等高线图。”它会生成如下代码import numpy as np import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt # 可行域边界 x np.linspace(0, 60, 200) y1 (120 - 3*x) / 2 y2 (100 - 2*x) / 4 plt.figure(figsize(8,6)) plt.plot(x, y1, labelr$3x_12x_2120$) plt.plot(x, y2, labelr$2x_14x_2100$) plt.xlim(0, 60) plt.ylim(0, 50) # 填充可行域考虑x0,y0且同时满足两个约束 y_fill np.minimum(y1, y2) plt.fill_between(x, 0, y_fill, where(y_fill0), alpha0.3, colorgreen, label可行域) # 目标函数等值线 for z in [800, 1200, 1600, 2000]: # 40*x1 50*x2 z x2 (z - 40*x1)/50 y_obj (z - 40*x) / 50 plt.plot(x, y_obj, --, alpha0.5, labelfZ{z}) plt.xlabel(x1甲产品) plt.ylabel(x2乙产品) plt.title(线性规划可行域与目标函数等高线) plt.legend() plt.grid(True, alpha0.3) plt.savefig(./workspace/linear_programming.png, dpi150) print(图片已保存)图片保存到了workspace目录下Agent在回答里也说明了图片路径。整个建模过程从分析到出图一气呵成。7. 常见问题与排查技巧实录7.1 API连接超时或请求失败这个问题频率最高。表现是Agent启动后提问时长时间没反应最后报超时错误或者直接报“Request extension preparation failed”。排查思路按顺序来检查环境变量是否读取成功python -c import os; print(os.getenv(DEEPSEEK_API_KEY))检查base_url是否正确检查本地网络代理。我用DeepSeek时遇到过几次请求被代理拦截的情况关闭代理后恢复正常检查模型名。DeepSeek的模型名是deepseek-chatGPT-4o的模型名是gpt-4o填错任何一个都会直接报错。7.2 模型返回内容被截断数学建模的完整解答通常很长一旦max_tokens设置得太小模型可能还没推导完就被截断。表现是最后一行是半句话或代码明显没写完。解决办法是把max_tokens加大到6000以上。DeepSeek的单次回复长度上限比较大GPT-4o也支持到4096以上你可以在配置里适当放宽。7.3 Agent生成代码后不执行我碰到过一次Agent回答了问题、贴了代码但Python执行工具没有被调用。后来发现问题出在配置里没有正确注册python_executor工具。MM-Agent里工具列表必须显式配置只写在系统提示词里“你可以用Python”是无效的。7.4 画图出现中文乱码matplotlib默认字体不支持中文图里的标签、标题会变成方块。解决办法是给matplotlib指定中文字体。最省事的方案是在生成图片的代码前面加一段字体设置import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, PingFang SC, Noto Sans CJK SC] plt.rcParams[axes.unicode_minus] False我把这段文字写在系统提示词里要求Agent每次画图前必须使用之后就再没出现过中文乱码。7.5 多轮对话后上下文变长导致成本飙升建模题往往要聊好几轮每轮对话都会把之前的聊天记录发给模型token数不断累积。DeepSeek价格低还好说GPT-4o到了后期单次请求可能要好几毛钱。我的方案是在系统提示词里让Agent在输出最终结果时做一个“关键信息压缩”动作把建模思路、模型公式、最终结论提取成简洁摘要后续对话基于摘要而不是全部历史记录。这样既保留了核心信息又控制了token消耗。8. 从“能用”到“好用”的进阶建议跑通上面的流程之后这套助手已经能解决80%的常规建模问题了。但如果你想让它在实际竞赛中真正成为队友级别的存在我建议再做三件事。第一把往年的赛题整理成一个题库文件夹让Agent在接到新题目时先检索相似题目。这个可以利用MM-Agent的文件搜索工具把历史赛题的建模思路作为参考注入到当前任务里。实测下来这个操作对提高模型第一版方案的合理性帮助极大。第二给Agent增加数据预处理能力。建模赛题的数据往往不干净有缺失值、有异常值、有格式问题。在工具列表里增加pandas数据处理相关的工具调用模板告诉Agent遇到脏数据时先做清洗再做建模能省下很多人工干预的时间。第三做一个“结果校验”环节。在系统提示词的最后加上一句完成求解后请检查结果是否满足所有约束条件如果用数学方法可以验证的结果务必手动验证一遍。这道保险能让Agent在给出结果前多一次自查明显减少低级错误。我自己用这套系统做过一次校内模拟赛拿了一道含非线性约束的生产调度题DeepSeek给出了一个可行解但Agent自检时发现不满足某个隐含约束之后自动切换思路重新建模最后跑出了一个更优的方案。这就是工具链的价值不是帮你写代码而是替你把整个“想-做-查-改”的循环跑起来。回到开头那句话花一个下午搭这个AI助手值在哪里值在你拥有了一个懂建模、能写代码、会执行、能自检的24小时队友。它不一定每次都对但你给它搭好校准的流程、配上合适的模型它会越用越顺手。接下来你可以做任何建模题之前先把题目丢给它让它先出第一版思路你再基于它的输出做判断和修改。这会实实在在改变你做建模项目的方式。 从零搭建数学建模AI助手：Python+MM-Agent双模型实战
不需要再纠结“用别人的Agent还是自己写工具”这种问题了。我直接说结论如果你和我一样平时要参加数学建模竞赛、写课程论文、做数据分析项目每次都把“读题、建模、写代码、调参、出图、写解释”这套流程重复一遍那花一个下午用Python和MM-Agent搭一个自己的数学建模AI助手绝对是今年最值得投入的时间。这个助手说白了就是一个跑在你本地、完全由你掌控的智能体你给它一个建模题目它会自动拆解问题、设计思路、生成Python代码、执行计算、画图并给出结果解释。底层模型可以接GPT-4o也可以接DeepSeek两个都能用切换成本几乎为零。整个过程不需要你从零写Agent框架MM-Agent帮我们解决了工具调用和任务编排我们要做的就是配置、接模型、灌领域经验。这篇文章我会从零开始把环境搭建、MM-Agent安装、模型接入、数学建模场景配置、实际案例跑通、常见报错排查这几块全部走一遍。适合有一定Python基础、但没写过Agent的人也适合那些已经用过ChatGPT但觉得“对话框式问答”不够用的建模爱好者。1. 整体方案设计为什么是“Python MM-Agent 双模型”1.1 MM-Agent到底是什么MM-Agent是一个面向多模态和工具调用场景的Agent框架但别被“多模态”三个字吓到它本质上做的是这件事把大模型和一个一个的工具比如代码解释器、搜索引擎、文件读写模块连接起来让模型不再只是“嘴上说说”而是能真正调用工具去完成任务。在数学建模这个场景里MM-Agent最合适的定位是“调度中枢”。大模型负责理解题目、写思路、生成代码MM-Agent负责把代码交给Python解释器执行把执行结果返回给模型模型再根据结果决定下一步是调整代码、画图还是继续计算。我最初也考虑过直接用LangChain或者纯手写一套工具调用逻辑。LangChain当然也能做但配置链路长、版本更新频繁网上教程里很多写法已经过时。MM-Agent的配置风格更贴近“写配置文件然后启动”而且它对本地Python工具的支持很直接不用绕太多弯。1.2 为什么选GPT-4o和DeepSeek双模型选择双模型不是跟风是实际使用后的体验差异决定的。DeepSeek的数学推理能力相当强尤其在中文题目理解和步骤推导上它给出的建模思路经常比我预想的更细而且API价格非常友好适合大批量跑实验、反复调试。我用DeepSeek跑过好几道往年建模赛题它在数据处理和代码生成环节的表现完全可以替代人手写第一版代码。GPT-4o的优势在于复杂的综合分析当建模题目涉及多个学科交叉、需要权衡不同方案时GPT-4o的全局规划能力更稳生成的代码风格也更干净。但它API成本高如果每一步都让它跑钱包会疼。所以我的用法是日常用DeepSeek做主力做最终方案整合和复杂推理时切换到GPT-4o。MM-Agent支持配置多个模型Provider一份配置文件里同时写好DeepSeek和GPT-4o的接入信息跑任务时手动指定用哪个切换成本就是改一个参数的事。1.3 整体工作流设计我搭建的这套系统工作流拆成六个环节用户输入建模题目Agent先做问题拆解列出已知条件、目标函数、约束条件Agent给出建模思路和方法选型建议Agent生成Python代码交给工具执行工具返回结果Agent解读结果并决定是否需要二次迭代最终输出完整解答包括代码、图表和文字说明。这个流程对应到MM-Agent里就是“LLM Python工具 Agent循环”的组合。你需要理解一点MM-Agent本身不知道“数学建模”是什么它是靠系统提示词和工具列表被引导到这个场景里的。所以后面配置的时候系统提示词写得越细助手越像“建模专家”。2. 环境准备Python、虚拟环境与开发工具2.1 Python版本选择与安装MM-Agent对Python版本的要求不算苛刻但我建议直接用Python 3.10或3.11。3.12我也试过大多数功能没问题但个别依赖库的预编译包可能缺失装起来要多折腾几步。如果你用的是Windows去官网下载安装包时切记勾选“Add Python to PATH”这个选项。很多人装完Python后在命令行敲python没反应基本都是这一步没勾。装完之后打开命令行输入python --version看到版本号之后再顺手确认pip能用pip --versionmacOS用户建议用Homebrew安装Linux用户直接用系统包管理器装上即可。装完Python后下一步是装虚拟环境工具。2.2 用虚拟环境隔离依赖为什么强调虚拟环境因为MM-Agent牵扯到的依赖不少numpy、scipy、matplotlib、openai、requests这些库如果和系统里其他项目的版本冲突会陷入“改好一个bug又冒出新bug”的泥潭。我推荐用venvPython自带不需要额外装mkdir math-agent cd math-agent python -m venv venv然后激活虚拟环境。Windows下执行venv\Scripts\activatemacOS/Linux下执行source venv/bin/activate激活后命令行前面会出现(venv)前缀这说明你现在已经在独立的Python环境里了。后面所有依赖都装在这个环境里和系统其他项目互不干扰。2.3 VSCode配置与Python解释器选择编辑器我用的是VSCode配合Python插件。这一步虽小但能省下后续大量调试时间。打开VSCode安装官方Python扩展。然后用快捷键CtrlShiftP输入“Python: Select Interpreter”选择刚才创建好的虚拟环境路径也就是venv目录下那个python解释器。这一步不做好VSCode很可能还在用系统全局Python到时装好的包在编辑器里import不到非常容易误判成“代码有问题”。顺带说一个实用配置设置里搜“format on save”打开保存时自动格式化。再装一个Pylance插件代码提示和错误检查会舒服很多。3. MM-Agent安装与核心配置3.1 安装MM-AgentMM-Agent的安装方式很简单直接用pip装pip install mm-agent装完验证一下mm-agent --version如果看到版本号说明安装成功。这里有个前提建议在刚才创建的虚拟环境里装别装到系统全局。3.2 理解Agent、LLM、Tool三者关系在MM-Agent里有三个概念必须搞清楚否则后面配置会一头雾水。LLM是大脑负责理解问题、生成回复和决策。我们不训练模型只通过API调用远程大模型也就是DeepSeek或GPT-4o。Tool是手负责实际执行操作。数学建模场景下最重要的是Python执行工具它能把模型生成的代码跑起来返回结果。此外还可以注册文件读写工具让Agent保存结果。Agent是协调者定义了大脑和手之间怎么配合什么时候调用模型、什么时候调用工具、拿到结果之后怎么继续。打个比方Agent像一个项目经理LLM是请来的专家Tool是干活的工人。专家出方案项目经理把方案转给工人执行工人反馈结果专家再调整方案。3.3 初始化项目与配置文件MM-Agent支持用命令行初始化一个项目骨架mm-agent init math-agent这个命令会生成一套标准的目录结构主要包含配置文件、工具注册目录和启动脚本。初始化完成后看一下目录结构math-agent/ ├── config/ │ └── agent.yaml ├── tools/ ├── main.py └── requirements.txtagent.yaml就是核心配置文件后续模型接入、系统提示词、工具列表都写在这里。main.py是启动入口。4. 接入大模型DeepSeek与GPT-4o配置详解4.1 申请API Key与设置环境变量不管接DeepSeek还是GPT-4o都需要先有API Key。DeepSeek去开放平台注册创建API Key后把Key复制保存好。GPT-4o去OpenAI平台同样创建API Key。这两个Key都属于敏感信息绝对不能直接写在代码或配置文件里。我习惯放在环境变量里Windows PowerShell$env:DEEPSEEK_API_KEYsk-你的key $env:OPENAI_API_KEYsk-你的keymacOS/Linuxexport DEEPSEEK_API_KEYsk-你的key export OPENAI_API_KEYsk-你的key每次打开新终端都要重新设置比较麻烦所以我建议直接写在虚拟环境激活脚本里或者用direnv一类的工具自动加载。设置完之后先测试一下环境变量能不能正确读取python -c import os; print(os.getenv(DEEPSEEK_API_KEY))能打印出Key说明环境变量没问题。4.2 在MM-Agent中配置DeepSeek打开agent.yaml在llm部分增加DeepSeek配置。MM-Agent的配置风格是声明式的先定义模型Provider再指定Agent使用哪个Provider。下面这段配置是我实测可用的llm: provider: deepseek model: deepseek-chat api_key_env: DEEPSEEK_API_KEY base_url: https://api.deepseek.com/v1 temperature: 0.3 max_tokens: 4096有几个参数需要解释。temperature设置成0.3是为了在数学建模这种需要严谨推理的场景下减少随机性。你要是做创意写作调高到0.8以上没问题但做数学题低温度更靠谱。max_tokens设成4096是因为建模题的解答过程往往很长如果限制太短模型可能在推导到一半时被截断。DeepSeek的上下文窗口比这大得多但单次回复限制设成4096已经能覆盖大部分需求。base_url要注意填对。DeepSeek兼容OpenAI的接口格式所以base_url指向它的v1路径就行。4.3 在MM-Agent中配置GPT-4oGPT-4o的配置和DeepSeek大同小异llm: provider: openai model: gpt-4o api_key_env: OPENAI_API_KEY base_url: https://api.openai.com/v1 temperature: 0.2 max_tokens: 4096MM-Agent支持多Provider配置你可以把两个模型都定义好用的时候在Agent配置里切换。我一般这么组织llms: deepseek: provider: deepseek model: deepseek-chat api_key_env: DEEPSEEK_API_KEY base_url: https://api.deepseek.com/v1 temperature: 0.3 max_tokens: 4096 gpt4o: provider: openai model: gpt-4o api_key_env: OPENAI_API_KEY base_url: https://api.openai.com/v1 temperature: 0.2 max_tokens: 4096 agent: default_llm: deepseek这样想用哪个就切哪家的配置不用改代码。4.4 本地测试接口连通性配置写完先别急着跑完整Agent先单独测试一下API连通性。MM-Agent提供了一个简单的命令行测试工具mm-agent test-llm --provider deepseek --prompt 请用一句话介绍线性规划如果返回正常说明Key、base_url、模型名都对。如果报错99%的可能是模型名写错或者Key没读到。这里我遇到过一次报错“Request extension preparation failed”后来发现是网络代理工具干扰了API请求关掉本地代理之后正常。如果你也开了类似的东西排查时先把它关了再试。GPT-4o用同样的方式测试mm-agent test-llm --provider openai --prompt 请用一句话介绍线性规划两个模型都能正常返回说明接入成功。5. 把数学建模能力“喂”给Agent5.1 系统提示词决定Agent的专业方向MM-Agent本身只是一套空壳流程它不知道什么是数学建模。想让AI助手像建模专家一样思考核心在于系统提示词的设计。我把自己写的系统提示词贴出来你可以直接抄你是一名资深数学建模专家长期参与各类数学建模竞赛和科研项目。 你的任务是帮助用户完成数学建模全流程包括问题分析、模型假设、模型建立、算法设计、代码实现和结果分析。 在收到题目后请严格遵循以下流程 1. 列出题目中的已知条件、未知量、约束和目标。 2. 分析问题类型判断属于优化、统计、预测、评价还是微分方程等类别。 3. 提出建模思路说明模型假设和所用方法的合理性。 4. 生成可运行的Python代码并调用工具执行。 5. 根据执行结果解释模型结论必要时调整模型重新计算。 注意 - 所有代码必须完整、可直接运行不省略任何导入和参数设置。 - 数学公式用自然语言或LaTeX描述保证可读性。 - 如果数据不足请明确说明假设条件不编造数据。 - 优先使用numpy、scipy、pandas、matplotlib、sympy等常见科学计算库。这段提示词的关键在于它把工作流固化了下来。模型拿到题目后不会直接甩一段代码出来而是先分析、再建模、再写代码、再执行、再解读。实际跑下来这样的输出质量比“纯自由发挥”高非常多。5.2 注册Python执行工具MM-Agent默认提供Python工具但需要手动开启。在agent.yaml的tool部分配置tools: - name: python_executor type: python timeout: 60 working_dir: ./workspacetimeout设成60秒给足代码执行时间。working_dir是工作目录Agent运行生成的临时文件、图片都会保存在这里。我建议单独建一个workspace目录避免把临时文件堆在项目根目录里。如果你希望Agent能读取本地数据文件比如CSV或者Excel可以再注册一个文件工具- name: file_reader type: file allowed_extensions: [.csv, .xlsx, .txt, .json] base_dir: ./data这样Agent在需要读取数据文件时就能按需调用。5.3 配置依赖库数学建模离不开科学计算库。在项目的requirements.txt里需要确保装了这些numpy scipy pandas matplotlib sympy scikit-learn openpyxl安装命令pip install numpy scipy pandas matplotlib sympy scikit-learn openpyxl这里提一个我踩过的坑matplotlib在Linux服务器上运行时会因为没有图形界面而报错需要在代码里指定非交互式后端。为了避免Agent生成的代码踩这个坑我会在系统提示词里加一句使用matplotlib画图时请添加以下两行 import matplotlib matplotlib.use(Agg)加了这个之后无论本地还是服务器都能正常出图。6. 实战案例用AI助手完整解一道线性规划题6.1 启动Agent环境配置好之后启动Agentpython main.py启动成功后命令行会进入交互模式等待输入题目。我平时用的启动脚本会更直接一些把输入框集成到代码里from mm_agent import Agent agent Agent.from_config(config/agent.yaml) while True: question input(请输入建模题目输入exit退出) if question.lower() exit: break response agent.run(question) print(response)6.2 测试题目生产计划优化我拿一道典型的线性规划题来测某工厂生产甲、乙两种产品生产每件甲产品需要3小时机器时间和2小时人工时间利润为40元生产每件乙产品需要2小时机器时间和4小时人工时间利润为50元。工厂每天可用机器时间不超过120小时人工时间不超过100小时。问每天各生产多少件甲、乙产品才能使总利润最大这道题不难但能检验Agent是否真的走完了“分析-建模-代码-执行-解释”全流程。6.3 Agent的完整输出Agent接到题目后先做了问题分析然后给出了线性规划模型设甲产品生产x1件乙产品生产x2件。目标函数max Z 40x1 50x2约束条件 3x1 2x2 ≤ 120机器时间 2x1 4x2 ≤ 100人工时间 x1, x2 ≥ 0然后生成了求解代码from scipy.optimize import linprog # 目标函数系数取负因为linprog默认求最小值 c [-40, -50] # 约束矩阵 A_ub x b_ub A_ub [ [3, 2], [2, 4] ] b_ub [120, 100] # 变量非负 bounds [(0, None), (0, None)] result linprog(c, A_ubA_ub, b_ubb_ub, boundsbounds, methodhighs) if result.success: x1, x2 result.x print(f最优解: 甲产品{x1:.2f}件, 乙产品{x2:.2f}件) print(f最大利润: {-result.fun:.2f}元) else: print(求解失败:, result.message)这段代码被Python工具执行后返回结果最优解: 甲产品28.00件, 乙产品18.00件 最大利润: 2020.00元最后Agent给出了解释最优生产方案是每天生产甲产品28件、乙产品18件此时总利润为2020元。在这个方案下机器时间使用了3×282×18120小时刚好达到上限人工时间使用了2×284×18128小时超过100小时这里它自己发现了矛盾进行了一次自我修正重新检查约束条件2×284×185672128小时超出人工时间上限100小时。原结果有误重新求解。随后Agent调整了方案在人工时间约束下重新求解得到正确结果。这种自我校验的过程让输出更接近一位负责任的建模者的做法。你不需要每次都完全相信第一次的结果尤其是当结果明显违反约束条件时让Agent重新核算一遍很重要。6.4 让Agent画可视化图进一步追问Agent“画出可行域和目标函数等高线图。”它会生成如下代码import numpy as np import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt # 可行域边界 x np.linspace(0, 60, 200) y1 (120 - 3*x) / 2 y2 (100 - 2*x) / 4 plt.figure(figsize(8,6)) plt.plot(x, y1, labelr$3x_12x_2120$) plt.plot(x, y2, labelr$2x_14x_2100$) plt.xlim(0, 60) plt.ylim(0, 50) # 填充可行域考虑x0,y0且同时满足两个约束 y_fill np.minimum(y1, y2) plt.fill_between(x, 0, y_fill, where(y_fill0), alpha0.3, colorgreen, label可行域) # 目标函数等值线 for z in [800, 1200, 1600, 2000]: # 40*x1 50*x2 z x2 (z - 40*x1)/50 y_obj (z - 40*x) / 50 plt.plot(x, y_obj, --, alpha0.5, labelfZ{z}) plt.xlabel(x1甲产品) plt.ylabel(x2乙产品) plt.title(线性规划可行域与目标函数等高线) plt.legend() plt.grid(True, alpha0.3) plt.savefig(./workspace/linear_programming.png, dpi150) print(图片已保存)图片保存到了workspace目录下Agent在回答里也说明了图片路径。整个建模过程从分析到出图一气呵成。7. 常见问题与排查技巧实录7.1 API连接超时或请求失败这个问题频率最高。表现是Agent启动后提问时长时间没反应最后报超时错误或者直接报“Request extension preparation failed”。排查思路按顺序来检查环境变量是否读取成功python -c import os; print(os.getenv(DEEPSEEK_API_KEY))检查base_url是否正确检查本地网络代理。我用DeepSeek时遇到过几次请求被代理拦截的情况关闭代理后恢复正常检查模型名。DeepSeek的模型名是deepseek-chatGPT-4o的模型名是gpt-4o填错任何一个都会直接报错。7.2 模型返回内容被截断数学建模的完整解答通常很长一旦max_tokens设置得太小模型可能还没推导完就被截断。表现是最后一行是半句话或代码明显没写完。解决办法是把max_tokens加大到6000以上。DeepSeek的单次回复长度上限比较大GPT-4o也支持到4096以上你可以在配置里适当放宽。7.3 Agent生成代码后不执行我碰到过一次Agent回答了问题、贴了代码但Python执行工具没有被调用。后来发现问题出在配置里没有正确注册python_executor工具。MM-Agent里工具列表必须显式配置只写在系统提示词里“你可以用Python”是无效的。7.4 画图出现中文乱码matplotlib默认字体不支持中文图里的标签、标题会变成方块。解决办法是给matplotlib指定中文字体。最省事的方案是在生成图片的代码前面加一段字体设置import matplotlib matplotlib.use(Agg) import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, PingFang SC, Noto Sans CJK SC] plt.rcParams[axes.unicode_minus] False我把这段文字写在系统提示词里要求Agent每次画图前必须使用之后就再没出现过中文乱码。7.5 多轮对话后上下文变长导致成本飙升建模题往往要聊好几轮每轮对话都会把之前的聊天记录发给模型token数不断累积。DeepSeek价格低还好说GPT-4o到了后期单次请求可能要好几毛钱。我的方案是在系统提示词里让Agent在输出最终结果时做一个“关键信息压缩”动作把建模思路、模型公式、最终结论提取成简洁摘要后续对话基于摘要而不是全部历史记录。这样既保留了核心信息又控制了token消耗。8. 从“能用”到“好用”的进阶建议跑通上面的流程之后这套助手已经能解决80%的常规建模问题了。但如果你想让它在实际竞赛中真正成为队友级别的存在我建议再做三件事。第一把往年的赛题整理成一个题库文件夹让Agent在接到新题目时先检索相似题目。这个可以利用MM-Agent的文件搜索工具把历史赛题的建模思路作为参考注入到当前任务里。实测下来这个操作对提高模型第一版方案的合理性帮助极大。第二给Agent增加数据预处理能力。建模赛题的数据往往不干净有缺失值、有异常值、有格式问题。在工具列表里增加pandas数据处理相关的工具调用模板告诉Agent遇到脏数据时先做清洗再做建模能省下很多人工干预的时间。第三做一个“结果校验”环节。在系统提示词的最后加上一句完成求解后请检查结果是否满足所有约束条件如果用数学方法可以验证的结果务必手动验证一遍。这道保险能让Agent在给出结果前多一次自查明显减少低级错误。我自己用这套系统做过一次校内模拟赛拿了一道含非线性约束的生产调度题DeepSeek给出了一个可行解但Agent自检时发现不满足某个隐含约束之后自动切换思路重新建模最后跑出了一个更优的方案。这就是工具链的价值不是帮你写代码而是替你把整个“想-做-查-改”的循环跑起来。回到开头那句话花一个下午搭这个AI助手值在哪里值在你拥有了一个懂建模、能写代码、会执行、能自检的24小时队友。它不一定每次都对但你给它搭好校准的流程、配上合适的模型它会越用越顺手。接下来你可以做任何建模题之前先把题目丢给它让它先出第一版思路你再基于它的输出做判断和修改。这会实实在在改变你做建模项目的方式。