Menu
Evolve prompts/regex/SQL/code with Imbue's evolution loop.
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
Query and edit a SiYuan knowledge base via its API.
Create, read, edit Excel .xlsx spreadsheets and CSVs.
Create, read, edit Excel .xlsx spreadsheets and CSVs.
Curate LLM training data: dedupe, filter, PII redaction.
Scrape sites with stealth browsing and Cloudflare bypass.
Clean training loops with built-in distributed support.
| name | darwinian-evolver |
| description | Evolve prompts/regex/SQL/code with Imbue's evolution loop. |
| version | 0.1.0 |
| author | Bihruze (Asahi0x), Hermes Agent |
| license | MIT |
| platforms | ["linux","macos"] |
| metadata | {"hermes":{"tags":["evolution","optimization","prompt-engineering","research"],"related_skills":["arxiv","jupyter-notebook"]}} |
运行 Imbue 提供的 darwinian_evolver —— 一种由大语言模型驱动的进化搜索算法 —— 以便根据适应度函数优化提示词、正则表达式、SQL 查询或小型代码片段。
状态：该技能仅为上游工具的简单封装。它负责安装该工具，指导智能体编写 Problem 定义（包括实体、评估器与变异器），并通过上游 CLI 或自定义的 Python 驱动程序来控制进化循环的运行。
许可证：上游工具采用 AGPL-3.0 许可协议。该技能仅通过上游 CLI 或 subprocess/uv run 命令来调用它（属于单纯的内容整合），严禁将上游工具的类直接导入到 Hermes 中。
不适用场景：
git、uv（或 pip）OPENROUTER_API_KEY、ANTHROPIC_API_KEY 或 OPENAI_API_KEY该技能附带了一个名为 parrot_openrouter.py 的小型驱动程序，它通过 OpenAI SDK 使用 OPENROUTER_API_KEY，因此任何在 OpenRouter 上的模型均可使用。而上游 CLI 本身则固定支持 Anthropic，需要 ANTHROPIC_API_KEY。
通过 terminal 工具运行即可：
mkdir -p ~/.hermes/cache/darwinian-evolver && cd ~/.hermes/cache/darwinian-evolver
[ -d darwinian_evolver ] || git clone --depth 1 https://github.com/imbue-ai/darwinian_evolver.git
cd darwinian_evolver && uv sync
验证：
cd ~/.hermes/cache/darwinian-evolver/darwinian_evolver \
&& uv run darwinian_evolver --help | head -5
简易功能测试（需要 ANTHROPIC_API_KEY）：
cd ~/.hermes/cache/darwinian-evolver/darwinian_evolver
uv run darwinian_evolver parrot \
--num_iterations 2 \
--num_parents_per_iteration 2 \
--mutator_concurrency 2 --evaluator_concurrency 2 \
--output_dir /tmp/parrot_demo
输出结果：
/tmp/parrot_demo/snapshots/iteration_N.pkl — 每次迭代后的种群数据（已序列化）/tmp/parrot_demo/<jsonl> — 每次迭代的 JSON 日志文件（路径会在运行时显示）请在浏览器中打开 ~/.hermes/cache/darwinian-evolver/darwinian_evolver/darwinian_evolver/lineage_visualizer.html，并加载该 JSON 日志以查看进化树。
该技能附带了 scripts/parrot_openrouter.py 脚本——问题设定与普通 Parrot 问题相同，但 LLM 调用会通过 OpenRouter 进行，因此任何提供商均可使用。
# From wherever the skill is installed:
SKILL_DIR=~/.hermes/skills/research/darwinian-evolver
DE_DIR=~/.hermes/cache/darwinian-evolver/darwinian_evolver
cd "$DE_DIR" && \
EVOLVER_MODEL='openai/gpt-4o-mini' \
uv run --with openai python "$SKILL_DIR/scripts/parrot_openrouter.py" \
--num_iterations 3 --num_parents_per_iteration 2 \
--output_dir /tmp/parrot_or
使用 scripts/show_snapshot.py 查看结果：
uv run --with openai python "$SKILL_DIR/scripts/show_snapshot.py" \
/tmp/parrot_or/snapshots/iteration_3.pkl
预期输出：按得分排序的7个优化后的提示模板，其中最优结果的得分应在0.6–0.8之间（初始种子Say {{ phrase }}的得分为0.000）。
该技能提供了templates/custom_problem_template.py文件——可直接复制、编辑并运行。需定义以下三个要素：
Organism——一个基于Pydantic的BaseModel子类，用于存储需要优化的内容（如prompt_template: str、regex_pattern: str、sql_query: str、code_block: str等）。需为其添加一个run(*args)方法以执行相关操作。
Evaluator——具备.evaluate(organism) -> EvaluationResult(score=..., trainable_failure_cases=[...], holdout_failure_cases=[...], is_viable=True)方法。
score**的取值范围为[0, 1]，数值越高表示效果越好。trainable_failure_cases——即变异器所接收的输入数据，需包含足够的上下文（输入内容、预期结果、实际输出），以便大语言模型进行诊断。holdout_failure_cases——不会被变异器处理，可用于检测过拟合现象。Organism完全无法使用（出现异常或返回None等），否则默认设置is_viable=True。得分为0但仍然可用的Organism也是允许的，只是会在父代选择过程中被降低权重。Mutator——具备.mutate(organism, failure_cases, learning_log_entries) -> list[Organism]方法。其典型工作流程为：构建一个包含当前Organism、相关失败案例以及修复建议请求的大语言模型提示语；解析大语言模型的响应；并返回一个新的Organism对象。若解析失败，则返回[]，由循环机制处理该情况。
随后需编写一个驱动脚本，将Problem(initial_organism, evaluator, [mutators])与EvolveProblemLoop相连接，并通过loop.run(num_iterations=N)进行迭代——随附的scripts/parrot_openrouter.py文件可作为参考。
| 参数 | 默认值 | 何时调整 |
|---|---|---|
--num_iterations | 5 | 当对评估器有足够信心后，可提升至10–20次 |
--num_parents_per_iteration | 4 | 若需低成本探索，可降至2个 |
--mutator_concurrency | 10 | 为避免遇到速率限制，可降至2–4个 |
--evaluator_concurrency | 10 | 与上述参数相同，因为评估器也会调用大语言模型 |
--batch_size | 1 | 当变异器能够同时处理多个失败案例时，可提升至3–5 |
--verify_mutations | 关闭 | 当变异器效率低下（根据Imbue指标，后续运行中的成本节省幅度未超过10倍）时，可开启该选项 |
--midpoint_score | p75 | 除非得分分布过于集中，否则无需调整 |
--sharpness | 10 | 无需调整 |
“初始Organism必须可用”——即便初始种子的得分为0，也应在EvaluationResult中设置is_viable=True。因为若Organism不可用，意味着循环没有可优化的对象，因此会被直接排除。
提供方的内容过滤机制会导致运行失败。基于Azure的OpenRouter模型会对类似“忽略之前的指令”这样的短语返回HTTP 400错误。建议在调用大语言模型时使用try/except结构进行异常处理，并返回f"<LLM_ERROR: {e}>"，这样优化工具会将该Organism的得分设为0并继续下一轮优化。
loop.run()是一个生成器函数——仅在其被迭代调用时才会执行相应操作。应使用for snap in loop.run(num_iterations=N):的语法来遍历结果。
快照为嵌套的pickle格式文件。iteration_N.pkl文件中包含一个字典，该字典又包含population_snapshot字段（即更多经过序列化的字节数据）。若要反序列化这些数据，必须确保在相同的路径下可以导入Organism类。
默认的并发设置过高。10/10的并发级别在大多数提供方平台上都会触发速率限制。建议从2/2开始逐步调整。
命令行工具默认绑定Anthropic平台。执行uv run darwinian_evolver <problem>命令时会自动使用ANTHROPIC_API_KEY并调用Claude Sonnet模型。若要使用其他提供方，需编写类似parrot_openrouter.py的驱动脚本。
受AGPL许可证约束。严禁在Hermes核心代码中直接使用from darwinian_evolver import ...语句。不过，放在~/.hermes/skills/...目录下的自定义驱动脚本属于用户端代码，是允许使用的。
没有PyPI安装包。执行pip install darwinian-evolver命令会下载错误的版本。务必从GitHub仓库直接安装该工具。
完成安装并运行相关脚本后，只要退出码为0即表示操作成功。
DE_DIR=~/.hermes/cache/darwinian-evolver/darwinian_evolver
ls "$DE_DIR/darwinian_evolver/lineage_visualizer.html" >/dev/null && \
cd "$DE_DIR" && uv run darwinian_evolver --help >/dev/null && \
echo "darwinian-evolver: OK"