用途：该技能提供使用 SymPy（Python 符号数学库）进行精确符号计算的指导，适用于需要精确结果（如 sqrt(2) 而非 1.414…）的场景，包括符号方程求解、微积分、代数表达式化简、矩阵与线性代数、物理计算、数论、几何、组合数学，以及把表达式转换为 Python、C、Fortran 代码或 LaTeX 输出。
主要能力：核心包括符号与表达式创建（symbols、Symbol，可加 real、positive 等假设）；化简与变形（simplify、expand、factor、cancel）；微积分（diff 求导、integrate 定/不定/反常积分、limit、series）；方程求解（solveset、solve、linsolve、nonlinsolve、dsolve）；矩阵与线性代数（Matrix、逆、行列式、特征值、对角化、A.solve(b)）；物理（力学的 LagrangesMethod、矢量点积叉积、量子力学对易子）；高级主题（几何、数论、组合、逻辑集合、统计、特殊函数、多项式）；代码生成与输出（lambdify、codegen、latex）。
使用方式：先定义符号再构造表达式，否则会触发 NameError。为获得更好化简，可给符号加假设，如 x = symbols('x', positive=True, real=True)，此时 sqrt(x**2) 返回 x。为保持精确算术，应使用 Rational(1, 2) 或 S(1)/2，避免 0.5。需要数值时用 evalf() 或 N()。循环中反复 subs() 与 evalf() 较慢，可用 lambdify(x, expr, 'numpy') 转为快速数值函数，再配合 NumPy、SciPy 使用（例如 scipy.optimize.fsolve 做数值求根）。求解器选择：solveset 用于代数方程，linsolve 用于线性方程组，nonlinsolve 用于非线性方程组，dsolve 用于微分方程，solve 为通用但较旧。
适用场景与限制：适合符号推导、公式化简、教学与生成文档；当方程无闭式解时可改用数值方法（如 nsolve）。若化简结果不符合预期，可尝试 factor、expand、trigsimp 或添加假设；powsimp、expand_log、logcombine 支持 force=True，simplify 无此选项。资料未提供安装命令、收费信息与具体版本要求，暂未提供。
参考资料：官方文档 https://docs.sympy.org/ ，教程 https://docs.sympy.org/latest/tutorials/intro-tutorial/index.html ，API https://docs.sympy.org/latest/reference/index.html 。