深思进化：利用 LLM 进行样本高效符号回归的代理推理

符号回归旨在从数据中发现紧凑的数学表达式，但现有基于大语言模型（LLM）的进化方法因依赖标量反馈而样本效率低下。本文指出其核心局限在于混淆了候选生成与搜索引导。为此，我们提出“深思进化”（DE）代理框架，将符号生成与搜索控制解耦。DE 通过自适应算子引导搜索方向，利用分析工具进行结构诊断，并借助反思性记忆复用轨迹级经验。实验表明，DE 在仅使用 40% 标准样本预算的情况下，于多个科学领域均优于现有基线。