符号执行是一种强大的程序分析技术，广泛应用于漏洞检测、安全测试和恶意软件分析等领域。然而，该技术面临可扩展性问题，例如路径爆炸和复杂约束，这些问题往往源于真实程序中常见的特定结构和语义模式。现有方法尝试通过将程序转换为新表示来规避这些模式，从而降低执行开销。但遗憾的是，这些变换通常过于僵化，难以利用多样的局部程序语义，有时甚至依赖为具体执行设计的编译器优化，可能与符号执行的目标不一致。为此，本文提出了Symbolon框架，该框架能够自动学习多样化的代码变换，并以上下文敏感的方式应用这些变换来改进符号执行。其核心思想是将变换发现表述为程序表示上的搜索问题。为了使搜索实用化，Symbolon在离线状态下对小规模程序进行低成本学习，将学到的变换精炼成可重用的智能体技能库，然后利用智能体在仓库级目标上实例化这些技能。评估表明，在32个真实程序上，Symbolon采用16种搜索策略，均显著提升了符号执行引擎KLEE的性能：平均行覆盖率提高了3.69倍，峰值内存降低了29.2倍，每次查询的求解时间降低了123倍。当应用于最新的Linux内核时，Symbolon发现了21个以前未知的漏洞，所有漏洞均已报告给内核维护者。