math-review
验证数学密集型代码的算法正确性与数值稳定性
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：math-review。 它的用途是：验证数学密集型代码的算法正确性与数值稳定性 完整的 Skill 内容见：https://321skill.com/skills/math-review-x-6/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
'请验证这段计算矩阵逆的代码，检查数值稳定性和算法正确性'，它会分析代码中的数值误差来源，指出使用简单高斯消元法可能导致的精度问题，并建议改用奇异值分解或 Cholesky 分解等更稳定的算法，同时给出具体代码修改示例。
介绍
在科学计算、机器学习、量化交易等领域，数学代码中的微小数值误差或算法逻辑错误可能导致严重后果。math-review 专门对这类代码进行深度校验，能够自动检测浮点溢出、精度丢失、条件数过大等数值稳定性问题，同时验证算法实现是否与预期数学定义一致。
使用方式很简单：将你编写的数学函数或关键数学逻辑代码输入，skill 会逐行分析数值计算路径，结合常见数值误差模型（如 IEEE 754 浮点规则）和数学等价变换，输出每个计算步骤的风险等级和具体改进建议。你还可以指定目标精度或参考算法，获得对比验证报告。
适合所有需要处理复杂数学计算的开发者，包括后端工程师（科学计算服务）、量化交易员（策略回测代码）、数据分析师（统计模型实现）以及学术研究者（实验代码）。无需额外配置，支持主流数学库如 NumPy、SciPy、PyTorch、TensorFlow 等。
使用建议：对于性能敏感型代码，可先忽略部分数值警告，但务必关注算法正确性校验结果。注意该工具不替代单元测试，建议与现有测试框架配合使用，并定期在关键数学模块上运行。
核心特点
不同于通用的代码审查或静态分析工具，math-review 专注于数学领域的数值稳定性与算法正确性，能识别浮点误差累积、病态矩阵等专业问题，并提供基于数学理论的改进方案。
注意事项
不适用于非数学逻辑的代码（如业务逻辑、字符串处理），也无法替代正式的数学证明或形式化验证。
常见问题
支持哪些数学库？
支持 NumPy、SciPy、PyTorch、TensorFlow、JAX 等主流数学库，以及原生 Python 的 math 模块。
能否检测数值溢出或下溢？
可以，工具会分析每个浮点运算的数值范围，标记潜在的溢出、下溢及精度损失风险。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/math-review-x-6/raw/index.md 读取 math-review 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/math-review-x-6/raw/index.md（查看排版版本）