English | 中文
动画由 huashu-design skill 制作
像训练模型一样优化你的 Agent Skills。
受 Andrej Karpathy 的 autoresearch 启发，将自主实验循环从模型训练搬到 Skill 优化领域。一个只能向前转的棘轮。
v2.0 · 更新于 2026-05-28 · 吸收微软研究院 SkillLens 与 SkillOpt 两篇论文做的系统性升级。
npx skills add alchaincyf/darwin-skill
2.0 不是缝缝补补，是系统性吸收微软研究院 2026-05-22 两篇论文后的结构性升级。五个变化：
1. 评分标准 8 维 → 9 维（吸收 SkillLens 实证的 73.8% rubric 药方）
- 原「错误处理」维度升级为 失败模式编码 (Failure Mechanism Encoding)：不只是「告诉 agent 别犯错」，而是把已知失败路径显式编码进 skill
- 原「明确性」维度升级为 可执行具体性 (Actionable Specificity)：明文禁止「建议/可以考虑/根据情况/灵活把握/视情况而定」等模糊词
- 新增第九维 高风险行动黑名单 (High-Risk Action Blacklist)：rm/git reset --hard/force push 等破坏性操作必须在 skill 中显式列禁
2. 验证机制对齐 SkillOpt 的 validation-gated 设计
- 多评委独立审查：每轮启动 2 个独立评委
- 评委不复用：下一轮启动全新评委，避免锚定效应
- 早停机制：单轮涨幅 < 1 分自动停手，避免凑分堆冗余
- 干跑模式控制：干跑比例 > 30% 自动告警
3. Human in the Loop 三层守关（达尔文区别于 SkillOpt 全自动设计的核心）
- Phase 1 基线评估：自动 + 人工审报告，决定改什么
- Phase 2 单维度优化：🔴 CHECKPOINT 强制暂停，等用户确认
- Phase 2.5 测试提示词跑（可选）
- Phase 3 回归测试：🛑 STOP 涨幅低于阈值强制停手
4. 反例黑名单 8 条（明文禁止的反模式）
- 同一个 AI 又改又评（SkillLens 实证：LLM 自评准确率仅 46.4%）
- 用
git reset --hard当回滚手段（应用git revert） - 为凑分而堆冗余
- 跳过测试提示词直接评分
- 一轮内改多个维度
- 干跑比例 > 30%
- 静默跳过异常
- 忽视维度相关簇
5. 实测验证数据
- huashu-gpt-image skill：80.8 → 91.5 → 91.65（+10.85，6 个独立评委共识）
- darwin-skill 自评：86.05 → 92.05 → 92.7
Agent Skill 生态在快速扩张。Claude Code、Codex、OpenClaw、Trae、CodeBuddy 等工具都支持 SKILL.md 格式。当你有 10 个 Skills 时可以手动维护；当你有 60+ 个 Skills 时，你需要一个系统。
传统的 Skill 审查是纯结构性的：检查格式对不对、步骤有没有编号、路径能不能访问。但一个格式完美的 Skill，跑出来的效果可能很差。
达尔文.skill 同时评估结构质量和实际效果，然后只保留真正有改进的修改。
这个项目直接受 Karpathy autoresearch 启发。autoresearch 的做法是：写一个 program.md 定义目标和约束，让 agent 自主生成和测试代码变更，只保留可测量的改进。
我们把同样的思路搬到了 Skill 优化：
| autoresearch | 达尔文.skill | 为什么这样映射 |
|---|---|---|
program.md |
本 SKILL.md | 定义评估标准和约束规则 |
train.py |
每个待优化的 SKILL.md | 被优化的资产，每次实验只改它 |
val_bpb |
9 维加权总分（满分 100） | 可量化的优化目标 |
git ratchet |
keep / revert 机制 | 只保留有改进的 commit |
test set |
test-prompts.json | 验证改进是否真的有效 |
| 全自主运行 | 人在回路 | Skill 的好坏比 loss 更微妙，需要人的判断 |
| # | 原则 | 说明 |
|---|---|---|
| 01 | 单一可编辑资产 | 每次只改一个 SKILL.md，变量可控，改进可归因 |
| 02 | 双重评估 | 结构评分（静态分析）+ 效果验证（跑测试看输出） |
| 03 | 棘轮机制 | 只保留改进，自动回滚退步，分数只升不降 |
| 04 | 独立评分 | 评分用子 agent，避免「自己改自己评」的偏差（SkillLens 实证 LLM 自评仅 46.4% 准确率） |
| 05 | 人在回路 | 每个 Skill 优化完后暂停，用户确认再继续下一个 |
总分 100。结构维度靠静态分析，效果维度必须实测。v2.0 新增三个维度直接来自 SkillLens 论文的实证 rubric。
新增的三个维度（SkillLens 73.8% rubric 药方）：
| 维度 | 说明 |
|---|---|
| 失败模式编码 | 显式编码已知失败路径，不是简单「别犯错」式叮嘱 |
| 可执行具体性 | 禁用「建议/可以考虑/根据情况/灵活把握/视情况而定」等模糊措辞 |
| 高风险行动黑名单 | rm / git reset --hard / force push 等破坏性操作必须明文列禁 |
实测表现权重最高。Skill 写得再漂亮，跑出来效果不好就是零。
系统在每个阶段内自主运行，但在阶段之间暂停等待人类确认。
Phase 2 的核心逻辑（v2.0 强化）：
- 找出得分最低的维度
- 针对该维度生成 1 个具体改进方案（一轮只改一个维度，反例黑名单第 5 条）
- 编辑 SKILL.md，git commit
- 启动 2 个独立子 agent 重新评分（下一轮换全新评委，避免锚定）
- 新分 > 旧分 → 保留；否则 →
git revert（禁用git reset --hard，反例黑名单第 2 条） - 单轮涨幅 < 1 分 → 自动早停（避免凑分堆冗余）
- 🔴 CHECKPOINT 暂停，展示 diff + 分数变化，等用户确认
分数只能上升。每一轮要么改进 Skill，要么干净地回滚。不会随时间积累局部退化。
轮次 2 的 75 分低于当前最优的 78 分，被自动回滚。有效基线始终锁定在 78，后续改进从 78 继续。
npx skills add alchaincyf/darwin-skill安装后在任何支持 Skill 的 Agent 工具中说「优化所有skills」或「优化某个skill」就行。
无法访问 GitHub 的朋友，可以直接下载 zip 包：darwin-skill.zip，解压后把 SKILL.md 放到 ~/.claude/skills/darwin-skill/ 目录即可。
这个项目的设计直接受 Andrej Karpathy 的 autoresearch 启发。
核心机制完全相同：只保留可测量的改进，其余全部回滚。
v2.0 在此基础上吸收了微软研究院 2026-05-22 发布的两篇论文：SkillLens 提供了实证验证的 rubric 设计，SkillOpt 提供了 validation-gated edits 的形式化框架。
v2.0 的设计直接基于以下学术工作。强烈推荐 skill 生态的研究者和工程师阅读：
Microsoft Research. From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills. arXiv:2605.23899, 2026.
- 论文：https://arxiv.org/abs/2605.23899
- 贡献：实证验证的 73.8% rubric 药方。达尔文.skill v2.0 的三个新维度（Failure Mechanism Encoding / Actionable Specificity / High-Risk Action Blacklist）直接来自该论文。同时也是「同一个 AI 又改又评」反模式的实证来源——LLM 自评准确率仅 46.4%。
Microsoft Research. SkillOpt: Executive Strategy for Self-Evolving Agent Skills. arXiv:2605.23904, 2026.
- 论文：https://arxiv.org/abs/2605.23904
- 项目页：https://microsoft.github.io/SkillOpt/
- 代码：https://github.com/microsoft/SkillOpt
- 贡献：validation-gated edits 的形式化框架。把 skill 当作 frozen 模型的「外部可训练状态」，每次编辑都必须通过独立验证才能保留。达尔文.skill v2.0 的多评委独立审查、评委不复用、早停机制、干跑比例控制都对齐了该框架。
Andrej Karpathy. autoresearch. GitHub repository, 2026.
- 代码：https://github.com/karpathy/autoresearch
- 贡献：达尔文.skill 1.0 的原始灵感来源。核心机制（program.md / train.py / val_bpb / git ratchet / test set）的映射逻辑完全继承自 autoresearch。
达尔文 vs SkillOpt 的关键区别：SkillOpt 是全自主系统，达尔文.skill 强调 human-in-the-loop——Skill 的好坏比 validation loss 更微妙，关键阶段（基线评估、单维度优化、回归测试）强制暂停，让人来做最终判断。
| 🌐 官网 | bookai.top · huasheng.ai |
| 𝕏 Twitter | @AlchainHust |
| 📺 B站 | 花叔 |
| @Alchain | |
| 📕 小红书 | 花叔 |
| 💬 公众号 | 微信搜「花叔」 |
MIT