用途：根据已验证的对称群规格与任务需求，设计保持等变/不变性的神经网络架构，并产出可指导实现的架构规格。
主要能力：提供六步工作流（审查群规格与需求、选择架构族、选择层与组件、设计网络拓扑、选择实现库、生成架构规格）；按对称群给出架构选择指南，如Cₙ/Dₙ对应G-CNN（escnn、e2cnn）、SO(2)/O(2)对应可操纵CNN（escnn）、SO(3)对应球面CNN（e3nn、s2cnn）、SE(3)/E(3)点云对应等变GNN与张量场网络（e3nn、NequIP）、Sₙ集合对应DeepSets、Sₙ图对应消息传递GNN（pytorch_geometric）、E(3)×Sₙ分子对应等变GNN（e3nn、SchNet）；按任务类型给出输出类型与关键考量（分类/回归用不变池化，分割保持等变，力预测输出l=1不可约表示，位姿估计输出旋转加平移，生成用等变解码器）；提供层模式，包括标准G卷积、可操纵卷积、e3nn张量积层，以及等变非线性（范数型、门控、张量积、仅作用于l=0）、等变归一化（层归一化、等变批归一化、实例归一化）和不变池化方法；提供编码器-解码器、编码器-池化、消息传递等拓扑模式；附库参考与代码片段（如o3.Irreps、gspaces.rot2dOnR2、GCNConv与global_mean_pool）；提供输出模板，含逐层规格、表示类型、依赖、参数量估计与代码骨架。
使用方式：按清单逐步执行，先确认群、不变/等变需求、数据域、任务类型与计算约束；再匹配架构族与层组件，设计拓扑，选择库，最后按模板输出规格。
适用场景：图像旋转/反射对称、球面数据、点云、图、集合、分子等需要对称性先验的建模任务。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；若群未指定需先与用户共同确定；批归一化会破坏等变性，需改用层归一化或等变批归一化；实现后需通过数值测试验证等变性。