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挑战，例如路径爆炸和复杂约束问题，这源于真实世界程序中常见的特定结构和语义模式。现有方法试图通过将程序转换为新表示来规避这些模式以降低执行成本，但转换往往过于僵化，无法充分利用多样化的局部程序语义，有时甚至依赖于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。本文提出 Symbolon 框架，该框架自动学习多样化的代码转换，并以上下文敏感的方式应用它们来改进符号执行。其核心洞察是将转换发现形式化为程序表示上的搜索问题。为使搜索可行，Symbolon 在离线状态下对小规模程序进行低成本学习，将转换提炼为可复用的智能体技能库，并使用智能体在仓库级目标上实例化这些技能。实验评估表明，在 32 个真实世界程序上使用 16 种搜索策略，Symbolon 显著改进了符号执行引擎 KLEE，平均行覆盖率提升 3.69 倍，同时峰值内存和单次查询求解器时间分别降低 29.2 倍和 123 倍。当应用于最新 Linux 内核时，Symbolon 发现了 21 个先前未知的漏洞，所有漏洞均已报告给内核维护者。该方法为符号执行的可扩展性问题提供了一种自动化、数据驱动的解决方案。