用途：symbolic-equation 用于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），强调物理可解释性而非单纯拟合。
主要能力：输入为数据集描述、变量名与物理背景（$0）。工作流包括六步：定义问题规格（输入/输出变量、评估函数、物理背景）；初始化默认 10 个岛屿的多岛缓冲区以实现种群多样性，各岛屿维护按性能特征聚类的独立方程簇；进化搜索循环（随机选岛、聚类采样构造提示、LLM 提出改进方程、评估适应度、注册入簇）；以带版本序列的方式构造提示；周期性（默认每 4 小时）重置底部 50% 岛屿并从存活岛屿移植最优方程、重启聚类采样温度；最后提取各岛最优方程、排序、条件允许时代数化简并附物理解释。
聚类采样：对簇分数做温度调度的 softmax（temperature = T_init * (1 - (num_programs % period) / period)），高温偏向探索、低温偏向利用最优簇；簇内偏好更短的程序（奥卡姆剃刀）。
规则与限制：方程仅可用标准数学运算；参数优化用 scipy BFGS 或 Adam；适应度为负 MSE（越高越好）；方程评估有超时保护；禁止递归方程。参考资料位于 ~/.claude/skills/symbolic-equation/references/llmsr-patterns.md。相关技能：上游 data-analysis、math-reasoning；下游 paper-writing-section；另见 algorithm-design。
使用方式：示例规格以 @equation.evolve 装饰 equation(x, v, params) 函数并返回表达式（如 params[0] * x），由 LLM 完成后续版本。