STRIDE：面向可靠自动方程发现的自反思智能体框架

基于LLM的方程发现为从数据中恢复符号规律提供了一条有前景的路径，但许多系统仍依赖以生成为中心的循环：提出候选、拟合参数、为结果打分并复用被选中的样例。这类循环在拟合不可靠时会误判有用的骨架，丢弃只需修复便近乎正确的方程，并积累指导作用有限的冗余记忆。我们提出STRIDE，一个自反思智能体框架，通过协调数据感知生成、混合拟合评估、批评者-执行者修复与保持多样性的语义记忆来提升可靠性。通过把拟合得分与候选行为转化为共享反馈，STRIDE使方程能够在闭环发现过程中被提出、评估、精炼与复用。在代表性符号回归基准与LSR-Synth套件上的实验表明，STRIDE在多个LLM骨干上都提升了准确率、OOD鲁棒性与结构恢复能力，消融实验与分析确认了其核心组件的贡献。