Skip to main content Accueil Créateurs bytedance agentkit-samples byted-ark-evolve
byted-ark-evolve Agent self-evolution system. Collects signals from user feedback, stores execution trajectories (golden + correction pairs), analyzes patterns, proposes mutations to workspace files, and generates HTML reports. Trigger with "/evolve" or when the user asks to improve agent behavior. Also use when the user says "remember this pattern", "don't do X again", or "that was a good approach, save it".
Aller à l'installation Skills Marketplace Découvrez et explorez les compétences IA créées par la communauté.
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Afficher les détails du prompt Une commande directe contourne le prompt de vérification. Examinez la source avant de l'exécuter.
npx skills add https://github.com/bytedance/agentkit-samples --skill byted-ark-evolveLa commande reste sur une seule ligne. Faites défiler horizontalement pour la vérifier avant de la copier.
Vous préférez une copie locale ? Téléchargez les fichiers actuellement disponibles dans SkillsMP.
Télécharger Zip Téléchargement... Métiers associés SOC
Basé sur la classification professionnelle SOC
Explorateur de fichiers
41 fichiers name byted-ark-evolve description Agent self-evolution system. Collects signals from user feedback, stores execution trajectories (golden + correction pairs), analyzes patterns, proposes mutations to workspace files, and generates HTML reports. Trigger with "/evolve" or when the user asks to improve agent behavior. Also use when the user says "remember this pattern", "don't do X again", or "that was a good approach, save it".
metadata {"version":"0.3.1","author":"volcengine/modelark","tags":"evolution meta-skill self-evolving"}
Evolution Skill
Agent 自进化系统。进化单位是整个 Agent（Identity + Context + Protocol + Capability + Runtime）。
核心原则
Quality > Reliability > Efficiency > Cost — 不允许牺牲质量换效率帕累托约束 — 任何 mutation 如果导致某个维度退化，BLOCK 并请用户决策写入即生效 — 用户确认变更后写入 workspace 文件，下次 session 即可加载新配置先对齐再执行 — 进化方案必须先呈现给用户确认
数据安全与权限边界
本地存储 ：所有运行时数据(信号、轨迹、变异、报告)写入用户本地 ~/.{*claw*}/workspace/evolution-data/，不上传任何外部服务。无外网调用 ：脚本不发起 HTTP/socket 请求(可代码层验证：无 requests / urllib / http.client / socket 等导入用于网络通信)。变更前置确认 ：mutation 写入 workspace 文件前，必须由用户在对话中显式接受提案；用户未接受前不会修改任何文件。作用范围 ：写入仅限 ~/.{*claw*}/workspace/ 目录及其子目录；不访问 /etc/、~/.ssh/、~/.aws/ 等敏感路径。可审计 ：每次 apply 通过 git commit 留痕，用户可随时 git log 查看完整变更历史。
可追溯 ：每条 mutation 在 SQLite DB 中保留 source(evolution / user-direct / snapshot-diff)、决策状态、时间戳。
可禁用 ：删除 evolution-data/ 目录或卸载 skill 即完全停止；删除 ~/.{*claw*}/workspace/ 不会影响其他 skill。
数据目录
Runtime 适配 ：workspace 根路径自动探测 ~/.{*claw*}/workspace/(优先 .arkclaw → .openclaw → 其他含 claw 的目录),也可用 CLAW_WORKSPACE 环境变量显式指定。新装默认创建在 ~/.arkclaw/workspace/。
evolution-data/
├── file-registry.json ← 初始化扫描结果
├── evolution.db ← SQLite（信号、变异、轨迹）
├── snapshot.json ← Workspace 文件 hash 快照（兜底变更检测）
├── trajectories/
│ ├── golden/ ← 正确执行轨迹
│ └── corrections/ ← 错误→修正对
├── dashboard.html ← Dashboard 页面（dashboard-render.py 自动生成）
└── reports/
├── evolution-*.json ← 进化报告数据（JSON）
└── evolution-*.html ← 进化报告页面（渲染后）
References（按需读取，不随 session 加载） 文件 内容 何时读取 references/layer-model.md5 层模型 + 归因规则 进化分析时 references/pareto-rules.md帕累托约束 + 验证标准 进化分析时 references/file-semantic-map.md已知文件→层/语义/风险映射 初始化 + 归因时 references/init-rules.md状态判定规则 + 占位符列表 初始化时 references/signal-types.md信号识别规则 + 示例 信号收集时 references/trajectory-templates.md轨迹存储格式 + 示例 轨迹写入时 references/evolution-steps.md进化分析详细流程（Step 0-7） /evolve 执行时 references/onboarding.md新手引导内容 首次安装时 references/report-schema-example.json报告 JSON 数据格式示例 生成报告时 references/dashboard-schema-example.jsonDashboard JSON 数据格式示例 生成 Dashboard 时
零、初始化（/evolve init）
evolution-data/ 不存在file-registry.json 中 agent_version 与当前不一致
首次安装流程（建议连贯执行） Step A — 新手引导（纯展示，无需用户确认）
检测到首次安装时，建议直接展示以下引导内容(无需额外询问"是否要看引导")：
欢迎使用进化系统
这个系统让我能从你的反馈中学习。简单来说：
你日常的纠正、建议会被自动记录
攒够一定数量后，我会分析这些反馈并提出改进方案
所有改动必须经你确认才会执行
可用命令
命令 说明 /evolve手动触发一次进化分析 /evolve init重新初始化 /evolve scan扫描历史对话提取反馈 /evolve dashboard生成进化 Dashboard /evolve help查看完整引导
现在开始初始化扫描——扫描完成后，你还可以选择扫描历史对话来加速学习。
展示完毕后建议进入 Step B,无需用户额外确认。
详细引导内容（用户说 /evolve help 时展示完整版）：读取 references/onboarding.md
Step B — 初始化扫描（涉及文件写入，需用户确认）
python skills/byted-ark-evolve/scripts/workspace-init.py
全量扫描 workspace（排除 .git/ node_modules/ pycache / evolution-data/）
按 references/init-rules.md 判定每个文件状态（evolvable / user-owned / skill-owned / needs_review）
按 references/file-semantic-map.md 标注已知文件语义，未知文件标 needs_review
生成 evolution-data/file-registry.json
如果 DB 不存在，执行 db-init.py
输出摘要
needs_review 文件：进化分析时由 Agent 读取并补分类，写回 registry。
Step C — 历史对话扫描（可选，需用户确认）
python skills/byted-ark-evolve/scripts/scan-history.py estimate --days 7
python skills/byted-ark-evolve/scripts/scan-history.py estimate --days 30
检测到 N 段历史对话。是否要扫描过去的对话来提取已有的反馈信号？
这可以让进化系统从你已有的使用习惯开始学习，而非从零开始。
扫描最近 7 天（N 段对话，预计消耗 ~X tokens，约 $Y）
扫描最近 30 天（N 段对话，预计消耗 ~X tokens，约 $Y）
跳过，从零开始
你也可以随时用 /evolve scan 手动触发。
python skills/byted-ark-evolve/scripts/scan-history.py extract --days 7
Agent 逐段对话读取，按 references/signal-types.md 规则识别信号，调用 signal-record.py 记录（标记 context 为 history-scan）。
完成后展示摘要："从 X 段对话中提取了 Y 条反馈（N 条纠正、M 条建议…）"
〇、User-Direct 变更追踪 用户直接指令 Agent 修改 workspace 文件时，自动记录到 evolution.db。
追踪层 A（可选 Hook） ：用户启用 PostToolUse Hook 后，监听 Edit/Write 事件，目标在 workspace 内则记录 source='user-direct'(Hook 仅观察执行结果，不阻断工具调用)。
追踪层 B（快照兜底） ：进化分析启动时对比 snapshot.json，捕获 Hook 漏掉的变更（手动编辑、Bash 写入等），记录为 source='snapshot-diff'。
evolution — 进化分析产生（走 proposed→approved→applied 流程）user-direct — Hook 实时捕获（跳过 proposed/approved，直接 applied）snapshot-diff — 快照对比发现（缺失意图，仅标注"检测到变更"）
一、信号收集 在日常对话中，识别用户反馈信号并记录到 SQLite。
信号类型：correction / negative / positive / suggestion / preference / clarification
Layer 归因：identity / context / protocol / capability / runtime
详细识别规则和示例：读取 references/signal-types.md
python skills/byted-ark-evolve/scripts/signal-record.py \
--type correction --layer protocol --severity high \
--text "用户原话" --context "当时在做什么"
当用户说"记住这个"、"以后别这样"等,建议及时记录为信号。
二、轨迹存储
Golden ：做对了 → evolution-data/trajectories/golden/Correction ：做错了→修正 → evolution-data/trajectories/corrections/ 存储格式和模板：读取 references/trajectory-templates.md
执行任务前，检索相关 correction trajectory，主动复述修正要点。
三、Gate 检查 python skills/byted-ark-evolve/scripts/gate-check.py
≥5 条 correction/negative/clarification 信号
≥3 条 high severity 信号
同一 layer ≥3 条信号
≥7 天无进化且有新信号
约束：24h 冷却 + 饱和检测。
手动触发：/evolve 跳过 Gate。
四、进化分析（/evolve） 推荐流程：所有进化变更通过 orchestrator pipeline 执行，以保证 DB 状态与变更可追溯。
不建议 agent 自行分析信号后直接修改 workspace 文件
不建议跳过 DB 记录环节(Python sqlite3 是标准库内置模块,无需额外工具)
标准流程 ：orchestrator.py timer-review → 生成提案 JSON → ingest_outputs 写入 DB → 用户确认 → apply-proposal 应用变更原因 ：绕过 DB 记录会导致 Dashboard 无数据、变更不可追溯、验证流程断裂
编排命令
python skills/byted-ark-evolve/scripts/orchestrator.py timer-review --skip-gate --worker-mode agent
python skills/byted-ark-evolve/scripts/orchestrator.py timer-review --worker-mode agent
python skills/byted-ark-evolve/scripts/orchestrator.py session-start
python skills/byted-ark-evolve/scripts/orchestrator.py apply-proposal --group <proposal_group_id>
--worker-mode agent：真实调用 openclaw agent --local 完成 review worker 分析--worker-mode mock：用于本地稳定测试，不依赖模型调用orchestrator 会生成 pending-evolution.json / daily-digest.json，但 DB 仍是主状态源
Gene 集成（v0.3.1，本地静态库） Gene 是 mutation 的标准化模板库 。本版本随 skill 包发布静态库 references/gene-library.json，无云端调用 。
Gene 不是分析器 ，不负责根因归因
Gene 不是执行器 ，不直接修改任何文件
Gene 不是本地规则匹配器 ，本地脚本不负责做 gene 相关性判定
Agent / subagent ：读取信号、日志、轨迹，完成归因分析Gene 静态库 ：提供 mutation 模板候选（id / summary / pattern_key / rule_text）Evolution skill ：编排 load → Agent 判断 gene 候选 → 生成 mutation → 用户确认 → 执行
何时调用 Gene
/evolve 手动触发后，在 Step 2 归因完成后进入 Step 2.5 Gene 候选筛选自动进化触发后，在 mutation 设计前进入 Step 2.5
用户说"记住这个模式 / 下次也这么做"时，优先浏览 gene 库，判断是否已有可复用模板
Gene 命令 python skills/byted-ark-evolve/scripts/gene.py --list
python skills/byted-ark-evolve/scripts/gene.py --show <gene_id>
python skills/byted-ark-evolve/scripts/gene.py --summary
库随 skill 版本发布（更新需升级 skill 版本），无 --fetch 命令
Agent 在 Step 2.5 阅读 signal + attribution + gene 内容，判断"哪些 gene 的方案如果提前应用，能避免当前负向反馈或 error 再次发生"
Step 3 中，Agent 基于选中的 gene template 生成 mutation proposal
详细流程（Step 0-7，含 Step 2.5 Gene 候选筛选）：读取 references/evolution-steps.md
概要：快照 Diff → 扫描信号 → 轨迹聚类（Skill 候选检测） → 归因分析 → Gene 候选筛选（静态库 + Agent 判断） → 设计 Mutation → 用户确认 → 组装 JSON + 渲染报告/Dashboard → 输出进化总结 → 标记已处理 → 更新快照
轨迹 → Skill 涌现（Step 1.5）
Golden 轨迹同类 ≥3 条 → 建议提取为独立 skill
Correction 轨迹同因 ≥2 条 → 建议加入防护规则
流程：检测 → 呈现候选给用户 → 用户确认 → 调用 skill-creator 生成。
如果用户未安装 skill-creator，提示安装。
用户确认交互规范 设计完 mutation 后，必须先呈现方案给用户确认，未确认前不执行任何写入 。
### 进化方案（共 N 条变更）
1. 📝 [AGENTS.md] — 新增「中文编码规范」
- 层归因：Protocol
- 变更类型：追加（user-owned 文件，仅允许追加）
- 帕累托检查：✅ 通过
- 摘要：在末尾新增 section，规定中文 API 调用使用 Python
2. 📝 [SOUL.md] — 修改「任务执行流程」
- 层归因：Identity
- 变更类型：修改（evolvable 文件）
- 帕累托检查：✅ 通过
- Before: 「直接执行用户指令」
- After: 「先检索相关 correction，再执行」
以上 N 条变更是否执行？你可以：
- 全部接受
- 全部拒绝
- 逐条选择（如"接受 1，拒绝 2"）
每条 mutation 必须列出目标文件、变更类型、帕累托结果
user-owned 文件特别标注"仅追加"
用户明确回复前，不执行任何写入操作
被拒绝的 mutation 标记为 rejected，保留记录
进化完成总结 报告生成后，在对话中直接输出一段自然语言总结 （不是文件路径，是让用户直接看懂的摘要）：
本次进化处理了 X 条反馈，产生 Y 条待处理提案/变更：
- [AGENTS.md] 新增了「中文编码规范」— 因为你 4 次提到不要用 curl 发中文
- [SOUL.md] 调整了任务执行流程 — 增加了执行前检索修正记录的步骤
被拒绝：W 条
完整报告：evolution-data/reports/evolution-<date>.html
下一步：当你再次遇到相关场景时，我会观察这些改进是否生效。
用自然语言，不用术语（不说 mutation / signal / layer）
每条变更说明"改了什么"+"为什么改"
告知报告路径，但不以路径为主要输出
提及后续验证计划
归因时参考 references/layer-model.md + evolution-data/file-registry.json
写入时参考 file-registry.json 中的 write_policy（evolvable→section-edit / user-owned→append-only）
帕累托检查参考 references/pareto-rules.md
报告生成流程（模板方式）
组装报告数据为 JSON（参考 references/report-schema-example.json）
写入 evolution-data/reports/evolution-<date>.json
调用 python scripts/report-render.py <json> --output <html> 渲染 HTML
（可选）组装 Dashboard JSON（参考 references/dashboard-schema-example.json）→ dashboard-render.py
Agent 只负责填写纯数据 JSON，Python 脚本负责所有条件渲染逻辑（如：有无被拒绝的变更、是否饱和、高严重度信号展示等）。
Pending Proposal 生命周期（v0.2.2） pending-evolution.json 的定位是给人看的待处理提案队列 ，不是“第二天早上专属提醒”。
夜间 timer review 只生成 proposal，不自动 apply
只要 proposal 仍然有效且未被用户处理，后续任意一次 session_start 都应该可以再次展示
展示状态与决策状态分离：pending -> presented -> accepted/rejected/stale/superseded
pending-evolution.json / daily-digest.json 是导出层；DB 才是主状态源 python skills/byted-ark-evolve/scripts/pending-evolution.py export
python skills/byted-ark-evolve/scripts/pending-evolution.py show
python skills/byted-ark-evolve/scripts/pending-evolution.py present --group <proposal_group_id>
python skills/byted-ark-evolve/scripts/pending-evolution.py decide --group <proposal_group_id> --decision accepted
python skills/byted-ark-evolve/scripts/pending-evolution.py stale --older-than-hours 72
五、验证 验证状态：待验证 → 已观察 → 已验证 / 已复发 / 部分生效
待验证 ：刚提出，等待在真实场景中验证已观察 ：初步通过 1 次，但不可完全信赖已验证 ：≥3 次跨 session 无复发，确认行为改变已复发 ：验证后再次违反，需要加固部分生效 ：部分场景有效，部分未覆盖 详细规则和 credit 权重：读取 references/pareto-rules.md 验证标准章节
六、快速命令 用户说 Agent 做 /evolve执行 orchestrator.py timer-review --skip-gate --worker-mode agent，完整 7 步进化（≥1 条信号即可，不受 Gate 阈值和冷却限制） /evolve init首次安装时执行：初始化扫描 + 生成文件注册表 /evolve scan扫描历史对话，提取已有的反馈信号 /evolve detect批量检测历史对话中的信号候选（scan-history.py detect） /evolve dashboard生成并打开 Dashboard（dashboard-render.py → evolution-data/dashboard.html） /evolve help展示新手引导（读取 references/onboarding.md） "记住这个模式" 记录 positive 信号，作为后续进化分析的正向参考 "以后别这样做" 记录 correction 信号，标记需要改进的行为 "进化状态" 快速查看：query.py dashboard（文本）；完整页面：组装 JSON → dashboard-render.py（HTML） "gene 列表 / gene 概况" 调用 gene.py --list / gene.py --summary "进化报告" 组装 JSON（参考 references/report-schema-example.json）→ report-render.py
七、查询工具 python skills/byted-ark-evolve/scripts/query.py dashboard
python skills/byted-ark-evolve/scripts/query.py signals --unprocessed
python skills/byted-ark-evolve/scripts/query.py signals --layer protocol
python skills/byted-ark-evolve/scripts/query.py mutations --status pending
python skills/byted-ark-evolve/scripts/query.py mutations --source user-direct
python skills/byted-ark-evolve/scripts/query.py trajectories
python skills/byted-ark-evolve/scripts/query.py gene-matches
python skills/byted-ark-evolve/scripts/scan-history.py detect --days 7
python skills/byted-ark-evolve/scripts/scan-history.py detect --min-confidence high
Apply 闭环（v0.2.4） 用户接受提案后，建议通过以下命令完成应用，以保证 git commit / snapshot / dashboard 同步更新。
python skills/byted-ark-evolve/scripts/apply-proposal.py --group <proposal_group_id>
应用该 group 下的 mutations 到目标文件
执行 git commit（每个 proposal_group 一次 commit）
调用 snapshot save
写回 review/result 到 DB
重新生成 dashboard.html
也可通过 orchestrator 调用（效果相同）：
python skills/byted-ark-evolve/scripts/orchestrator.py apply-proposal --group <proposal_group_id>
Dashboard 固定模板（v0.2.5+） Dashboard 采用模板与数据分离 架构，确保样式固定、不受模型影响。
架构 文件 职责 更新方式 scripts/dashboard-template.html固定 HTML/CSS/JS 模板 仅开发者手动迭代 scripts/dashboard-render.py查 DB + references/gene-library.json → JSON → 注入模板 orchestrator 自动调用 evolution-data/dashboard.html最终输出，用户浏览器打开 每次 pipeline 自动生成
使用
python skills/byted-ark-evolve/scripts/dashboard-render.py --db evolution-data/evolution.db --data-dir evolution-data/
三个 Tab
Overview ：全局统计、趋势图、改动验证、层分布Activity ：日期选择器 + 单次进化报告详情（来源反馈、改动 diff、状态）Genes ：基因表格 + 手风琴展开关联改动 