用途：从数据中发现可解释的科学方程，采用 LLM 引导的进化搜索（LLM-SR）。输入为数据集描述、变量名与物理背景（资料标注为 $0）。
主要能力：多岛算法维持种群多样性，默认 10 个岛，每岛维护按性能特征分组的方程聚类；通过温度调度的 softmax 对聚类分数采样，高温偏探索、低温偏利用，聚类内偏好更短程序（奥卡姆剃刀）；定期（默认每 4 小时）按最佳分数排序并重置后 50% 的岛，用存活岛的最佳方程播种并重启采样温度；搜索结束后收集各岛最佳方程、按适应度排序、尽可能做代数化简并给出物理解释。
使用方式：先定义问题规格，包含输入变量（带类型，如 x: np.ndarray、v: np.ndarray）、输出变量、评估函数（通常为带参数优化的负 MSE）与物理背景；再初始化多岛缓冲区，进入进化循环：随机选岛、从聚类中采样高分方程构建提示、由 LLM 生成改进版本、在测试数据上评估适应度、有效则注册进该岛聚类。提示以版本化序列呈现历史方程（如 equation_v0、equation_v1、equation_v2）。参数优化使用 scipy BFGS 或 Adam。
适用场景：需要从数据中恢复可解释物理/科学公式的研究任务。相关技能：上游 data-analysis、math-reasoning；下游 paper-writing-section；另见 algorithm-design。
限制：方程只能使用标准数学运算，不允许递归方程；适应度定义为负 MSE（越高越好）；方程评估设有超时保护；优先物理可解释性而非纯拟合。参考资料位于 ~/.claude/skills/symbolic-equation/references/llmsr-patterns.md。其余细节暂未提供。