constrained-optimization — скилл для Claude Code: разбор
Скилл constrained-optimization помогает Claude Code решать задачи условной оптимизации: классифицировать ограничения, строить функции Лагранжа и проверять условия ККТ. Пригодится при аналитических и численных расчётах.
MIT ★ 3 951 обновлён 2026-01-26
npx skills add parcadei/Continuous-Claude-v3 --skill constrained-optimization -a claude-codeЧто делает constrained-optimization
Скилл задаёт для Claude Code пошаговое дерево решений при работе с равенствами, неравенствами и границами параметров. Агент определяет тип ограничений, применяет метод множителей Лагранжа для систем уравнений либо переходит к условиям Каруша — Куна — Таккера с проверкой взаимодополняющей нежёсткости. Для численного поиска минимума предлагаются штрафные функции, барьерные методы и алгоритм SLSQP из библиотеки scipy.optimize.
Встроенные шаблоны команд рассчитаны на запуск через uv run python. Скилл обращается к скриптам sympy_compute.py и z3_solve.py через раннер runtime.harness, а также вызывает однострочники с minimize.
Для аналитических проверок скриптам в проекте понадобятся установленные пакеты scipy, sympy и z3. Без окружения Python и модуля runtime.harness автоматический запуск решений завершится ошибкой.
Какие задачи решает
- Классифицировать ограничения задачи на равенства, неравенства и границы диапазонов
- Найти аналитическое решение через множители Лагранжа в
sympy - Доказать выполнимость условий ККТ с помощью солвера
z3 - Настроить численный поиск минимума методом
SLSQPвscipy.optimize
Примеры запросов агенту
- Реши задачу минимизации x^2 + y^2 при ограничении x + y = 1 через множители Лагранжа
- Проверь условия ККТ и взаимодополняющую нежёсткость для неравенств в моей модели
- Построй запуск scipy.optimize.minimize с методом SLSQP и граничными условиями
Как установить constrained-optimization
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill constrained-optimization -a claude-code2Вручную: положить файлы
~/.claude/skills/constrained-optimization/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/constrained-optimization/
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill constrained-optimization -a codex2Вручную: положить файлы
.agents/skills/constrained-optimization/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill constrained-optimization -a cursor2Вручную: положить файлы
.cursor/skills/constrained-optimization/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install parcadei/Continuous-Claude-v3 .claude/skills/math/optimization/constrained-optimization2Вручную: положить файлы
.github/skills/constrained-optimization/SKILL.md1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill constrained-optimization -a gemini-cli2Командой платформы
gemini skills install https://github.com/parcadei/Continuous-Claude-v3 --path .claude/skills/math/optimization/constrained-optimizationВручную: положить файлы
.devin/skills/constrained-optimization/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о constrained-optimization
Как установить constrained-optimization в Claude Code?
Выполните команду npx skills add parcadei/Continuous-Claude-v3 --skill constrained-optimization -a claude-code. Также можно вручную поместить файл по пути ~/.claude/skills/constrained-optimization/SKILL.md.
Что делает скилл constrained-optimization?
Он даёт агенту инструкции по решению задач оптимизации с ограничениями. Скилл описывает переход от уравнений Лагранжа к условиям ККТ, штрафным функциям и численному методу SLSQP.
Какие инструменты нужны для выполнения проверок из скилла?
Нужен пакетный менеджер uv и Python с библиотеками scipy, sympy и z3. Часть команд обращается к скриптам sympy_compute.py и z3_solve.py внутри проекта.
Исходный текст
SKILL.md · MIT
---
name: constrained-optimization
description: "Problem-solving strategies for constrained optimization in optimization"
allowed-tools: [Bash, Read]
---
# Constrained Optimization
## When to Use
Use this skill when working on constrained-optimization problems in optimization.
## Decision Tree
1. **Constraint Classification**
- Equality: h(x) = 0
- Inequality: g(x) <= 0
- Bounds: l <= x <= u
2. **Lagrangian Method (Equality Constraints)**
- L(x, lambda) = f(x) + sum lambda_j * h_j(x)
- Solve: grad_x L = 0 and h(x) = 0
- `sympy_compute.py solve "grad_L_system"`
3. **KKT Conditions (Inequality Constraints)**
- Extend Lagrangian with mu_i for g_i(x) <= 0
- Complementary slackness: mu_i * g_i(x) = 0
- `z3_solve.py prove "kkt_satisfied"`
4. **Penalty and Barrier Methods**
- Penalty: add P(x) = rho * sum max(0, g_i(x))^2
- Barrier: add B(x) = -sum log(-g_i(x)) for interior point
- Increase penalty/decrease barrier parameter iteratively
5. **SciPy Constrained Optimization**
- `scipy.optimize.minimize(f, x0, method='SLSQP', constraints=cons)`
- constraints = [{'type': 'eq', 'fun': h}, {'type': 'ineq', 'fun': lambda x: -g(x)}]
- bounds = [(l1, u1), (l2, u2), ...]
## Tool Commands
### Scipy_Slsqp
```bash
uv run python -c "from scipy.optimize import minimize; cons = dict(type='eq', fun=lambda x: x[0] + x[1] - 1); res = minimize(lambda x: x[0]**2 + x[1]**2, [1, 1], method='SLSQP', constraints=cons); print('Min at', res.x)"
```
### Sympy_Lagrangian
```bash
uv run python -m runtime.harness scripts/sympy_compute.py solve "[2*x - lam, 2*y - lam, x + y - 1]" --vars "[x, y, lam]"
```
### Z3_Kkt_Satisfied
```bash
uv run python -m runtime.harness scripts/z3_solve.py prove "complementary_slackness"
```
## Key Techniques
*From indexed textbooks:*
- [nonlinear programming_tif] Conjugate Direction Methods** - Methods involving directions conjugate to each other with respect to a certain quadratic form, enhancing efficiency in finding minima. Quasi-Newton Methods** - Variants of Newton’s method that approximate the Hessian matrix. Nonderivative Methods** - Address optimization methods that don’t require derivative information.
- [nonlinear programming_tif] Optimization Over a Convex Set** - Focuses on optimization problems constrained within a convex set. Optimality Conditions:** Similar to unconstrained optimization, but within the context of convex sets. Feasible Directions and Conditional Gradient** - Explores methods that ensure feasibility within constraints.
- [nonlinear programming_tif] In this chapter we consider the constrained optimization problem minimize f(z) subject to z € X, where we assume throughout that: (a) X is a nonempty and convex subset of 2. When dealing with algo- rithms, we assume in addition that X is closed. The function f: %™ — R is continuously differentiable over X.
- [nonlinear programming_tif] The methods for obtaining lower bounds are elaborated on in Section 5. Lagrangian relaxation method is discussed in detail. This method requires the optimization of nondifferentiable functions, and some of the major relevant algorithms, subgradient and cutting plane methods, will be discussed in Chapter 6.
- [nonlinear programming_tif] The image depicts a three-dimensional graphical representation, likely related to linear algebra or optimization. Key elements include: - **Axes**: Three intersecting axes are shown, suggesting a three-dimensional coordinate system. Equation and Constraints**: A linear equation `{x | Ax = b, x ≥ 0}` is noted, indicating a system or set of constraints.
## Cognitive Tools Reference
See `.claude/skills/math-mode/SKILL.md` for full tool documentation.
© parcadei · MIT · parcadei/Continuous-Claude-v3