القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/mindspore-ai/akg --skill adaptive-evolveيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
استنادا إلى تصنيف SOC المهني
| name | adaptive-evolve |
| description | 自适应进化工作流，使用进化算法进行多轮迭代优化 |
| category | workflow |
| version | 1.2.0 |
| license | MIT |
| structure | {"child_skills":["designer-agent","coder-agent","verifier-agent"],"default_children":["designer-agent","coder-agent"],"exclusive_groups":[["coder-iterative","coder-aggressive"]]} |
自适应进化工作流使用进化算法（Evolutionary Algorithm）进行算子优化，适合复杂的融合算子和性能关键的场景。
Designer → 生成N个设计方案
↓
Coder → 编码为可执行代码（并发）
↓
Verifier → 评估适应度
↓
选择 → 保留前K个优秀个体
↓
变异 → 生成新候选
↓
[循环多轮] → 直到性能达标或迭代上限
population_size: 种群大小（默认：10）generations: 迭代代数（默认：20）elite_size: 精英数量（默认：2）selection_method: tournament, roulette, rankmutation_rate: 变异概率（默认：0.3）crossover_rate: 交叉概率（默认：0.7）failure_threshold: 失败阈值，触发策略切换（默认：3）adaptive_population: 动态调整种群大小early_stopping: 提前停止条件| 算子类型 | Standard | Adaptive-Evolve | 提升 |
|---|---|---|---|
| 简单MatMul | 5s | 60s | 10% |
| 融合算子 | 10s | 90s | 45% |
| 复杂Kernel | 20s | 180s | 80% |
结论: 复杂场景下，额外时间投入带来显著性能提升。
# 初始种群生成
designs = designer.generate_initial_population(
size=population_size,
task_desc=task_description
)
# 变异操作
new_designs = designer.mutate(
parent_designs=elite_designs,
mutation_rate=0.3
)
# 并发编码
codes = await asyncio.gather(*[
coder.encode(design)
for design in designs
])
# 适应度函数
fitness = verifier.evaluate(
code=code,
metrics=['accuracy', 'latency', 'memory']
)
fitness_score = 0.4*accuracy + 0.4*(1/latency) + 0.2*(1/memory)
# 记录每代最优个体
history = {
'generation': [],
'best_fitness': [],
'avg_fitness': []
}
# 绘制进化曲线
plot_evolution_curve(history)
# 失败个体分析
failed_designs = [d for d in designs if d.fitness < threshold]
analyze_failure_patterns(failed_designs)