Menü
Evolve prompts/regex/SQL/code with Imbue's evolution loop.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
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"