用途：该技能用于处理数值方法中的插值问题，帮助在给定数据点上选择合适的插值策略并实现与验证。
主要能力：提供决策树式流程。先评估数据特征，包括数据点数量、间距是否均匀、数据是否平滑或含噪声、是否需要在端点求导；再据此选择方法：少量点（少于 10 个）用多项式插值（Lagrange、Newton）；点多且平滑用三次样条；含噪声用平滑样条或最小二乘；高维情形建议基于单纯形的方法（n+1 个邻居而非 2^n）。
使用方式：实现以 SciPy 为主，资料给出 scipy.interpolate.CubicSpline(x, y)（自然三次样条）、scipy.interpolate.make_interp_spline(x, y, k=3)（B 样条）、scipy.interpolate.interp1d(x, y, kind='cubic')（一维插值）。命令示例包括：uv run python -c "from scipy.interpolate import CubicSpline; import numpy as np; x = np.array([0,1,2,3]); y = np.array([0,1,4,9]); cs = CubicSpline(x, y); print(cs(1.5))"；uv run python -c "from scipy.interpolate import make_interp_spline; import numpy as np; x = np.array([0,1,2,3]); y = np.array([0,1,4,9]); bspl = make_interp_spline(x, y, k=3); print(bspl(1.5))"；以及 uv run python -m runtime.harness scripts/sympy_compute.py interpolate "[(0,0),(1,1),(2,4)]" --var x。
验证与高维：需检查边界处的高次多项式龙格现象，可用留一法交叉验证误差，并目视检查插值曲线；资料还提到 sympy_compute.py limit "interp_error" --at boundaries。高维方面提及 Coxeter-Freudenthal-Kuhn 三角剖分实现 O(n log n) 点定位，以及重心细分以平衡性能。
适用场景与限制：适用于数值积分、微分、逼近论和微分方程数值解等基础场景，也用于处理表格形式存储的函数。资料未提供该技能的收费、平台支持范围或具体性能基准，相关细节暂未提供。