用途：为模型构建、求导、编译和调试 PyTensor 符号计算，处理符号张量的形状或 dtype 错误、命名维度、索引、随机性与图编译问题。
主要能力：覆盖形状与结构化计算（维度、广播、索引、向量化、算术与归约、控制流）；数值、稀疏与谱计算；符号随机性（种子、RNG 状态更新、形状语义、可复现性、意外重复抽样）；图编译与性能剖析（图/状态检查、变换、模式、真实失败与基于证据的修复）；自定义 Op 与求导（类型/形状契约、前向/反向求导、数值导数校验、lowering 接口）；可选后端 lowering（JAX、PyTorch、MLX 的表示、求导与设备限制）。
使用方式：先确认项目现有环境与已安装的 PyTensor 及相关后端版本，再选择 API；明确输入/输出形状、轴含义、dtype、支撑集与可变或随机状态；优先使用现有张量原语而非自定义 Op；先定义独立的数值或解析参考与失败用例，再执行示例。验证时对比编译值与参考值（含边界），检查形状与 dtype；可微计算需独立校验梯度；有状态计算需展示预期推进与可复现性。复现编译器失败后再修复，不要隐藏异常。
限制：命名轴并非自动按坐标索引的数组；不同后端实现不保证相同随机数；缺失可选依赖、不支持的操作与未测试硬件是不同状态，Linux 执行不代表 macOS 或加速器支持。该技能可独立安装，无需其他技能、宿主适配器或服务。若图属于概率模型，数值正确性不能替代其建模、先验检查、推断诊断或预测批评。可选示例依赖 Numba、JAX/jaxlib（需启用 x64）、PyTorch（示例仅 CPU）、MLX（需 CPU float64），这些依赖均为可选。