sympy
作者 K-Dense-AI使用 sympy 技能在 Python 中进行精确的符号数学运算，涵盖代数、微积分、矩阵、物理公式、数论、几何和代码生成。它能帮助你保持表达式精确，选择合适的 SymPy 模块，并避免大量浮点数带来的错误。适合需要一份实用 sympy 指南来处理符号工作流，以及用于 Data Analysis 的 sympy 的用户。
该技能得分为 86/100，说明它很适合需要面向 SymPy 工作流的目录用户，而不是一个泛用型提示词。仓库提供了相当完整、非占位式的符号数学指导，因此用户在决定是否安装以及如何使用时，可以少走很多弯路。
- 触发意图明确：frontmatter 直接说明该技能用于 Python 符号数学，包括方程、微积分、矩阵、物理、数论、几何和代码生成。
- 实操深度较高：技能正文内容充实，并配有多个参考文件，覆盖核心能力、矩阵、物理、高级主题以及代码生成/打印。
- 安装决策价值高：frontmatter 合法、没有占位符标记、没有实验性或仅测试信号，而且包含多个具体代码示例，便于判断这是真实可用的工作流内容。
- SKILL.md 中没有提供安装命令，因此用户可能需要手动安装或自行接入。
- 该技能偏文档和参考导向；摘录中示例很强，但部分用户在执行高级工作流时，可能仍需要对 SymPy 有一定熟悉度。
sympy 技能概览
sympy 适合做什么
sympy 技能帮助你在 Python 中使用 SymPy 做精确的符号数学，而不只是数值近似。它最适合需要代数求解、微积分、化简、矩阵、物理公式、数论、几何，或从公式生成代码的用户。
谁应该安装它
如果你的工作涉及带变量的公式、需要验证的推导，或者输出必须在最后一步之前始终保持符号形式，那么就应该安装 sympy 技能。它尤其适合工程师、研究人员、分析师和学生；比起临时拼凑提示词，他们更需要一份可靠的 sympy 指南。
这个技能为什么不一样
它的核心价值在于工作流指导：什么时候要保持表达式精确、如何设置 assumptions、以及不同 SymPy 模块分别适合什么任务。之所以重要，是因为很多失败并不是 SymPy 本身不行，而是把它当普通 Python 用了，或者太早把表达式转成了浮点数。
如何使用 sympy 技能
安装并查看正确的文件
先走 repo 的技能安装流程：npx skills add K-Dense-AI/claude-scientific-skills --skill sympy。然后先读 SKILL.md 了解主工作流，再根据任务继续看 references/core-capabilities.md、references/matrices-linear-algebra.md、references/code-generation-printing.md、references/physics-mechanics.md 和 references/advanced-topics.md。
给 SymPy 正确的输入形状
高质量的 sympy 提示词会直接说明数学目标、变量，以及输出格式。例如：“符号求解 x，假设 x 为实数且为正，保持分数精确，并用 Python 代码展示化简结果。” 这比“解这个方程”更好，因为技能可以据此选择精确方法，避免过早数值化。
用能保住精确性的工作流
先定义 symbols 和 assumptions，再变换表达式，最后只在需要时做数值计算。优先用 Rational(1, 2) 或 S(1)/2，不要直接写 0.5；同时明确你要的是 solve、factor、expand、diff、integrate、Matrix 还是 lambdify 输出。这是新用户使用 sympy 时最常见的阻力：提示不够明确，精确数学很容易在中途丢掉。
按这个顺序阅读 repo
如果你只打算先预览少量文件，先读 SKILL.md，再读核心能力参考，最后看最贴近你使用场景的主题文件。对于面向 Data Analysis 的 sympy，用法重点应放在符号预处理、化简、精确变换，以及生成兼容 NumPy 的函数代码，而不只是做教材式求解题。
sympy 技能常见问题
sympy 只是用来做代数作业的吗？
不是。sympy 技能的范围更广：它支持微积分、矩阵工作流、物理力学、几何、数论，以及把公式导出为可执行代码。如果你的任务需要的是符号结果而不是近似结果，SymPy 就很适合。
什么时候不该用 sympy？
如果问题纯粹是统计分析、完全数值计算，或者依赖大规模数据工具且根本没有符号步骤，就不要用它。这类场景下，直接用 Python、NumPy 或 pandas 往往比走 sympy 指南更简单。
sympy 对新手友好吗？
友好，但前提是你先从一个窄任务开始，并且把 assumptions 和输出格式说清楚。新手通常卡住的不是库本身，而是把精确符号和浮点数混着用，或者一次要求太多操作。
这和普通提示词有什么区别？
普通提示词通常只给你一次性答案。sympy 技能更适合你想要可重复的符号工作流，尤其是在安装决策、代码生成，以及正确性取决于精确表达式而不仅是最终数值的任务中。
如何改进 sympy 技能效果
明确 assumptions 和目标形式
提升质量最明显的办法，是告诉技能每个符号已知什么，以及输出应该长什么样。例如：“x 和 y 是实数，n 是正整数，化简为因式分解形式，并保留精确有理数。”`如果不说明这些，SymPy 可能会给出数学上正确、但实用性较差的形式。
把符号目标和数值目标分开
如果你既想要符号推导，又想做数值校验，就要明确按顺序同时提出。例如：“先符号推导表达式，然后在 x=2 时给一个快速的 evalf 检查。” 这样可以避免输出过早跳到小数，尤其适用于 sympy 在 Data Analysis 场景中的使用。
给第一次结果留出可修正空间
如果第一次结果太抽象，就要求换一种表示：展开、因式分解、规范化、矩阵形式，或者通过 lambdify 改成可直接写代码的形式。如果结果太慢或太复杂，就缩小定义域、简化 assumptions，或者把范围限制在一个方程、一个矩阵块，或一次只做一个微积分步骤。