cuOpt 数值优化建模
将自然语言问题整理为清晰的 LP、MILP 或 QP 数学模型。
技能仅提供优化建模概念和公式，不执行代码、不要求凭据或外部访问，且说明了QP测试版、凸性及非凸限制，因此权限和外部影响风险较低。扣分在于缺少更明确的用户确认、错误责任边界、数据流说明和技能正文中的来源引用；许可证元数据另标为NOASSERTION，授权信息存在治理层面的不确定性。
正文结构一致，明确区分LP、MILP、QP及多种建模模式，并规定歧义时询问用户。已提交的评估报告显示正确性为67%和37%、发现性为33%和0%，说明关键路径和触发行为仍不稳定；静态审查且无可复现测试套件，因此不超过10分并进一步扣分。
目标用户、问题类型、输入分类方式和“不提供API代码”的边界较清楚，适合自然语言优化问题解析。扣分在于缺少明确的非适用范围、语义触发条件和多语言支持说明；但核心功能不依赖海外服务，因此没有因大陆网络可达性额外扣分。
包含版本号、Apache-2.0声明、作者团队、标签、技能卡、评估报告和仓库级更新说明，整体可维护性较好。扣分在于静态检查报告指出缺少Instructions和Examples推荐章节，作者格式不规范，技能正文缺少安装/依赖、FAQ、变更记录和明确维护责任；许可证元数据与仓库整体许可证表述也需澄清。
技能覆盖问题分类、隐含目标识别、切割库存、目标规划、库存容量和混合加工等实用模式，评估报告记录了Claude正确性67%、Codex37%及效果93%和71%。扣分在于仅提供概念指导、不产生可执行模型或API代码，且正确性与发现性结果不稳定，输出通常仍需人工校验。
存在固定版本、评估任务、预期行为、结果表和静态检查发现，具备一定审计线索。扣分在于只有3个正向任务、无负向任务，未提供原始运行日志、独立复核或覆盖关键公式的提交测试套件；结论主要依赖自述 benchmark，静态审查无法独立复现。
- 不要将该技能的公式和建模建议视为已验证的求解结果；尤其应人工复核目标函数、整数性、QP凸性和隐含约束。
- 评估样本很小且没有负向触发任务，发现性和正确性结果不稳定，使用前应补充边界、误触发和失败反馈测试。
- 请澄清技能级许可证、仓库许可证及NOASSERTION元数据之间的关系，并补充维护责任、变更记录和正式引用。
这个 Skill 能做什么，适合哪些场景？
该技能帮助用户从问题描述出发，识别参数、约束、决策变量和目标函数，并构建线性规划、混合整数线性规划或二次规划 formulation。它涵盖变量类型、凸性、敏感性分析以及常见建模模式。技能只讲概念和建模流程，不提供 cuOpt API 代码。对于歧义，它要求用户澄清或比较所有合理解释。
读取问题文本并按句或逻辑从句分类为参数、约束、决策或目标；识别隐含约束和隐含目标；在建模前汇总参数、约束、决策和目标；解释 LP、MILP、QP 的适用条件；提供分段目标、切割库存、目标规划、多期库存和共享混合等 formulation 模式及常见陷阱。
- 运筹分析师将生产、资源和成本描述整理为 LP 或 MILP 模型。
- 需要离散决策的排产、设施选址或选择问题建模。
- 金融分析师将投资组合方差和收益约束整理为 QP。
- 用户提供含糊的库存或采购题目，需要先明确时间顺序和容量约束。
- 建模人员检查切割库存、目标规划或共享中间混合模型中的变量类型和目标函数。
这个 Skill 有哪些优点和局限？
- 覆盖 LP、MILP 和 QP 的核心建模概念。
- 强调从问题文本逐句解析并识别隐含目标和约束。
- 包含多种实际 formulation 模式及常见建模陷阱。
- 明确说明 QP 仅支持最小化、凸性要求和部分 dual/sensitivity 限制。
- 不提供 cuOpt API 代码。
- QP 支持在源材料中标注为 beta。
- 遇到歧义时需要用户补充信息或比较多种解释。
- SKILL.md 未提供测试套件或具体运行验证证据。
如何安装这个 Skill？
使用 NVIDIA 技能集合的 CLI 安装：
npx skills add nvidia/skills --skill cuopt-numerical-optimization-formulation --yes
README 未说明该命令的具体安装目录；CLI 会提示安装位置。
如何使用这个 Skill？
在已加载该技能的 Agent 中提出 formulation 任务，例如：“请将这个生产计划问题整理为 LP 或 MILP，先分类参数、约束、决策和目标，再给出数学 formulation。”具体客户端触发机制和运行时步骤未在 SKILL.md 中说明。