MCM-ICM_Toolkit/docs/03-roadmap.md

路线图与开发纪律

依据：01-suggestion-review.md §6–§8。 进度看根目录 STATUS.md，本文件只定义"做什么、做到什么程度、什么不做"。

---

一、功能清单分级

L0 —— 第一周必做（12 个）

没有这 12 个，工具箱根本跑不起来；有了这 12 个，已经能应付大部分题目。

函数	所在模块	档位
Result	core/result.py	A
get_rng / set_seed	core/random.py	A
load_table	data/io.py	A
clean_missing	data/clean.py	A
detect_outliers	data/clean.py	S
normalize	data/transform.py	A
standardize	data/transform.py	A
describe	stats/descriptive.py	A
correlation_matrix	stats/inference.py	A
bootstrap_ci	stats/bootstrap.py	S
monte_carlo	solve/simulate.py	S
save_figure	viz/export.py	A

L1 —— v0.1（共约 40 个）

在 L0 基础上补齐：

模块	函数
core	check_array check_same_length check_probability check_square_matrix
data	impute_missing winsorize log_transform one_hot_encode train_test_split kfold_split bootstrap_sample
stats	zscore coefficient_of_variation confidence_interval t_test anova chi_square_test fit_distribution goodness_of_fit bootstrap_statistic
models	rmse mae mape smape r2_score adjusted_r2 compare_models fit_linear fit_polynomial fit_nonlinear predict exponential_smoothing fit_arima forecast fit_forest fit_logistic kmeans pca cross_validate
solve	minimize linear_program integer_program dynamic_programming knapsack_dp simulated_annealing pareto_front monte_carlo_probability monte_carlo_integral random_walk markov_simulate markov_steady_state mm1_metrics local_sensitivity one_at_a_time parameter_sweep robustness_test sobol_analyze morris_analyze
decision	equal_weights entropy_weights critic_weights ahp_weights ahp_consistency_ratio topsis grey_relational_analysis gm11_fit_predict
viz	mcm_style plot plot_correlation_matrix plot_residuals plot_convergence save_table

L2 —— v0.2

• solve/graph.py：build_graph shortest_path min_spanning_tree betweenness_centrality pagerank max_flow community_detection
• solve/dynamics.py：solve_ode solve_system find_equilibrium local_stability

触发条件：在真题里真的用到了，或者要为 MCM A / ICM D 备赛时再写。

---

二、永久不做（防膨胀清单）

原文用"建议不要"，这里写成硬规则。往这个清单里加东西，必须先改这份文档。

• 不重写 SciPy 的优化器、scipy.stats 的分布、scipy.integrate 的积分器
• 不重写 sklearn 的 estimator（fit/predict 之外一律不做）
• 不重写 statsmodels 的时间序列框架
• 不重写 NetworkX 的图算法
• 不重写 SALib 的 Sobol / Morris / FAST
• 不实现 NSGA-II / SPEA2 等完整多目标进化算法（用 pymoo）
• 不实现符号计算引擎（用 SymPy）
• 不实现完整离散事件仿真引擎（simulate_queue 那种）
• 不做深度学习 / PyTorch 相关任何东西
• 不做 GUI、不做 Web 界面、不做 CLI 之外的产品化
• 不做自动微分、不做 GPU 后端
• 不为"完整性"补函数——没在真题里用过三次的函数不写

---

三、开发纪律

3.1 文档两档制

S 档（招牌算法，自实现）：完整函数卡片，模板见 dev/function-card-template.md。 覆盖：detect_outliers bootstrap_ci monte_carlo monte_carlo_probability monte_carlo_integral dynamic_programming knapsack_dp simulated_annealing local_sensitivity sobol_analyze entropy_weights topsis ahp_weights gm11_fit_predict。约 15 个。

A 档（薄封装）：docstring 里一句话数学含义 + 一句话什么时候用 + 一条 pytest。

判断标准：我会不会去改它的内部实现？ 会 → S 档。

3.2 每写一个函数

1. 先想"这道题里它替代了哪段手写代码"——想不出来就先不写。
2. 先在 tests/ 里写一条会失败的断言（测已知解析解，不测实现细节）。
3. 实现到测试通过。
4. 在 examples/ 里加一行最小用法。
5. 更新 STATUS.md。

3.3 提交前

.venv\Scripts\python.exe -m pytest -q
.venv\Scripts\python.exe -m ruff check src tests

---

四、时间盒

周	目标	完成标志
1	core + data + stats；S 档先写 bootstrap_ci monte_carlo detect_outliers	L0 全部通过测试
2–3	models + solve/optimize + solve/simulate	compare_models 出对比表
4	solve/sensitivity + decision + viz	一条端到端 example
5–6	用一道真题走完整流程，反向补函数	problems/<年份>_<题号>/ 完成
之后	每做一题沉淀 1～3 个函数 + 对应 test	仓库自然长大

核心原则：先跑通一条完整链路，再补宽度。