⚡

矩阵Skill matrices

这个技能提供线性代数中矩阵问题的全面解决策略，涵盖矩阵类型识别、基本操作（如乘法、逆、转置）、线性系统求解和矩阵分解（如LU、QR、SVD）。通过集成SymPy工具，支持自动化计算和问题验证，适用于数学学习、工程应用、数据分析和量化金融场景。关键词：矩阵、线性代数、SymPy、问题解决、分解、逆、转置、乘法、LU分解、QR分解、SVD分解、量化策略。

数据分析 0 次安装 0 次浏览 更新于 3/14/2026

name: 矩阵 description: “线性代数中矩阵的问题解决策略” allowed-tools: [Bash, Read]

矩阵

何时使用

在线性代数中处理矩阵问题时使用此技能。

决策树

  1. 识别矩阵类型

    • 方形、对称、正交、对角？
    • 使用 sympy_compute.py matrix_type 检查属性

  2. 基本操作

    • 乘法：sympy_compute.py matmul "A" "B"
    • 逆：sympy_compute.py inverse "A"
    • 转置：sympy_compute.py transpose "A"

  3. 解决线性系统

    • Ax = b：sympy_compute.py linsolve "A" "b"
    • 使用 z3_solve.py sat 检查一致性

  4. 分解

    • LU分解：sympy_compute.py lu "A"
    • QR分解：sympy_compute.py qr "A"
    • SVD分解：sympy_compute.py svd "A"

工具命令

Sympy_逆

uv run python -m runtime.harness scripts/sympy_compute.py inverse "[[1,2],[3,4]]"

Sympy_行列式

uv run python -m runtime.harness scripts/sympy_compute.py det "[[a,b],[c,d]]"

Sympy_线性求解

uv run python -m runtime.harness scripts/sympy_compute.py linsolve "[[1,2],[3,4]]" "[5,6]"

认知工具参考

参见 .claude/skills/math-mode/SKILL.md 获取完整工具文档。