| name | darwin-skill |
| description | Use when the user wants to evaluate, score, review, or automatically improve an existing agent skill (a SKILL.md) — e.g. "optimize this skill", "score my skill", "review my SKILL.md", "how good is this skill", "auto-optimize", "improve skill quality". Use when a skill needs quality assessment against a rubric or iterative refinement. |
Output language: English. Produce all evaluation reports, improvement notes, judge reasoning, and result cards in English, regardless of the language used in these instructions or by the user — unless the user explicitly asks for another language.
Darwin Skill 2.0
v2.0 · 2026-05-28 — 吸收 Microsoft Research SkillLens（arXiv 2605.23899）的 9 维评分药方 + SkillOpt（arXiv 2605.23904）的 validation-gated 验证机制 + human in the loop 三层守关。
借鉴 Karpathy autoresearch 的自主实验循环，对 skills 进行持续优化。
核心理念：评估 → 改进 → 实测验证 → 人类确认 → 保留或回滚 → 生成成果卡片
GitHub: https://github.com/alchaincyf/darwin-skill
设计哲学
autoresearch 的精髓：
- 单一可编辑资产 — 每次只改一个 SKILL.md
- 双重评估 — 结构评分（静态分析）+ 效果验证（跑测试看输出）
- 棘轮机制 — 只保留改进，自动回滚退步
- 独立评分 — 评分用子agent，避免「自己改自己评」的偏差
- 人在回路 — 每个skill优化完后暂停，用户确认再继续
与纯结构审查的区别：不只看 SKILL.md 写得规不规范，更看改完后实际跑出来的效果是否更好。
评估 Rubric（9维度，总分100）
设计依据：基于 SkillLens 论文（arXiv 2605.23899）实证发现——LLM-as-judge 评估 skill 质量准确率仅 46.4%（接近随机），加入 meta-skill 三维度后提升到 73.8%。本 rubric 强化 dim3 / dim5 评分标准，新增 dim9「反例与黑名单」，权重平衡到 100。目的：让评分对真实质量更敏感，减少 LLM judge 的乐观偏差。
结构维度（59分）— 静态分析
| # | 维度 | 权重 | 评分标准 |
|---|
| 1 | Frontmatter质量 | 7 | name规范、description包含做什么+何时用+触发词、≤1024字符、禁结尾加"灵活应用/根据情况判断"等空话尾巴 |
| 2 | 工作流清晰度 | 12 | 步骤明确可执行、有序号、每步有明确输入/输出 |
| 3 | 失败模式编码 | 12 | 必须显式编码失败模式（写出"如果 X 失败 → Y"的明确分支）；有fallback路径、错误恢复；只写正向流程而不写失败分支扣 ≥3 分（SkillLens meta-skill 维度） |
| 4 | 检查点设计 | 6 | 关键决策前有用户确认、防止自主失控；检查点必须显性标记（🔴/STOP/CHECKPOINT），仅靠"如果...建议..."措辞不算 |
| 5 | 可执行具体性 | 17 | 不模糊、有具体参数/格式/示例、可直接执行；禁止"建议/可以考虑/根据情况/灵活把握/视情况而定"等软化措辞——出现 ≥3 处扣 ≥3 分（SkillLens actionable specificity 维度） |
| 6 | 资源整合度 | 4 | references/scripts/assets引用正确、路径可达 |
效果维度（35分）— 需要实测
| # | 维度 | 权重 | 评分标准 |
|---|
| 7 | 整体架构 | 12 | 结构层次清晰、不冗余不遗漏、与花叔生态一致；冗余/AI腔废话段落（说白了/换句话说/首先其次综上等花叔禁用词）出现一处扣 1 分 |
| 8 | 实测表现 | 23 | 用测试prompt跑一遍，输出质量是否符合skill宣称的能力 |
Meta-skill 维度（6分）— 反例与黑名单
| # | 维度 | 权重 | 评分标准 |
|---|
| 9 | 反例与黑名单 | 6 | skill 必须有"不要做什么"的反例清单；只写"应该做 X"没有"不要做 Y"扣 ≥3 分；红灯/危险动作/反模式应单独章节列出（SkillLens risk-action blacklist 维度） |
评分规则
- 维度1-7、9：每个维度打 1-10 分，乘以权重得到该维度得分
- 维度8（实测表现）：跑2-3个测试prompt，按输出质量打1-10分
- 总分 = Σ(维度分 × 权重) / 10，满分100
- 改进后总分必须 严格高于 改进前才保留
Rubric 的实证基础
rubric 设计依据来自 SkillLens 论文（arXiv 2605.23899） + 本机 controlled study：
- SkillLens 发现 LLM-as-judge 准确率仅 46.4%（接近随机），加入 meta-skill 三维度后升到 73.8%
- 本机对 huashu-research 做 4 类 degradation → 5 个独立 judge 盲测一致 V1>V2，Δ 均值 +46.5（5/5 high confidence）
结论：rubric 能识别 gross degradation，但 fine-grained quality difference 仍不可信，重要决策必须人审。
→ 详细论文证据 + 5 judges 完整数据 + HL 实战案例数字见 references/skilllens-evidence.md
关于「实测表现」维度
这是与纯结构评分最大的区别。评分方式：
- 为每个skill设计2-3个典型用户prompt（不是边缘case，是最常见的使用场景）
- 用子agent执行：一个带skill跑，一个不带skill跑（baseline）
- 对比输出质量，从以下角度打分：
- 输出是否完成了用户意图？
- 相比不带skill的baseline，质量提升明显吗？
- 有没有skill引入的负面影响（过度冗余、跑偏、格式奇怪）？
若子 agent 不可用（超时/资源限制），退化为「干跑验证」：读完 skill 后模拟一个典型 prompt 的执行思路，判断流程是否合理；必须在 results.tsv 标注 dry_run。dry_run 比例 > 30% → 评估失效警告（来自本机 controlled study：dim8 实测维度权重 23%，无 full_test 验证时分数不可信）。
Runtime 适配性审查（gate 项，独立于 9 维度评分）
skill 应当能在 Claude Code / Codex / Cursor / OpenClaw / Hermes / Gemini CLI / OpenCode 等 50+ skills-compatible runtime 通用——否则其他 agent 解析时会被「在 Claude Code 里」「Claude Code skill」等措辞误判为「不是给我用的」直接拒装（实例：nuwa-skill 因此被 Marvis agent 拒绝）。
Phase 1 基线评估时强制跑一次红灯扫描
grep -nE "(在 Claude Code|Claude Code skill|Claude Code 用户|Cursor only|Codex 中|^\[!\[Claude Code|~/\.claude/skills/[a-z]|/plugin install\b)" SKILL.md README.md 2>/dev/null
输出非空 = 红灯命中 → 强制把 Phase 2 第一轮定为 P0「runtime drift 修复」（写入 results.tsv 的 note 列 runtime_warn=N）。
例外（允许的「Claude Code 痕迹」）
frontmatter 触发词、花叔生态内部 skill 名引用、明确标注 runtime-specific 章节、commit message——这些正当出现，不算红灯。
→ 红灯/绿灯完整对照表 + 例外清单详细规则 + Phase 1/2/3 各阶段审查时机见 references/runtime-neutrality.md
自主优化循环
Phase 0: 初始化
1. 确认优化范围：
- 全部skills → 扫描 .claude/skills/*/SKILL.md
- 指定skills → 用户指定列表
2. 创建 git 分支：auto-optimize/YYYYMMDD-HHMM
3. 初始化 results.tsv（如不存在）
4. 读取现有 results.tsv 了解历史优化记录
Phase 0.5: 测试Prompt设计
在评估之前，为每个skill设计测试prompt。这步很关键——没有测试prompt，「实测表现」维度就打不了分。
for each skill:
1. 读取 SKILL.md，理解它做什么
2. 设计2-3个测试prompt，覆盖：
- 最典型的使用场景（happy path）
- 一个稍复杂或有歧义的场景
3. 保存到 skill目录/test-prompts.json：
[
{"id": 1, "prompt": "用户会说的话", "expected": "期望输出的简短描述"},
{"id": 2, "prompt": "...", "expected": "..."}
]
展示所有测试prompt给用户，确认后再进入评估。测试prompt的质量决定了优化方向是否正确。
Phase 1: 基线评估（Baseline）
for each skill in 优化范围:
# 结构评分（主agent可以做）
1. 读取 SKILL.md 全文
2. 按维度1-7逐项打分（附简短理由）
# 效果评分（用子agent做，独立于主agent）
3. 对每个测试prompt，spawn子agent：
- with_skill: 带着SKILL.md执行测试prompt
- baseline: 不带skill执行同一prompt
4. 对比两组输出，打维度8的分
# 汇总
5. 计算加权总分
6. 记录到 results.tsv
如果子agent不可用（超时、环境限制），维度8用干跑验证打分，标注 dry_run。不要因为跑不了测试就跳过这个维度——哪怕是模拟推演也比完全不看效果好。
基线评估完成后，展示评分卡：
┌──────────────────────────┬───────┬──────────────┬──────────────┐
│ Skill │ Score │ 结构短板 │ 效果短板 │
├──────────────────────────┼───────┼──────────────┼──────────────┤
│ huashu-proofreading │ 78 │ 边界条件 │ 测试prompt2 │
│ huashu-slides │ 72 │ 指令具体性 │ baseline持平 │
├──────────────────────────┼───────┼──────────────┼──────────────┤
│ 平均 │ 75 │ │ │
└──────────────────────────┴───────┴──────────────┴──────────────┘
🔴 CHECKPOINT · 🛑 STOP：暂停等用户确认，再进入优化循环。
Phase 2: 优化循环
用户确认后，按基线分数从低到高排序，先优化最弱的。
for each skill:
round = 0
while round < MAX_ROUNDS (默认3):
round += 1
# Step 1: 诊断
找出得分最低的维度（结构或效果都算）
# HL-3 警告：dim2/dim3/dim4 是相关簇，修一个时另两个常跟着涨
# → 不要因为 dim3 最低就单独修，要看整簇短板再决定是否同步改
# Step 2: 提出改进方案
针对最低维度，生成1个具体改进方案：
- 改什么（具体段落/行）
- 为什么改（对应rubric哪条）
- 预期提升多少分
# Step 3: 执行改进
编辑 SKILL.md
git add + commit（message: "optimize {skill}: {改进摘要}"）
# Step 4: 重新评估
- 结构维度：主agent重新打分
- 效果维度：spawn独立子agent重跑测试prompt（关键！不能自己评自己）
# Step 5: 决策
if 新总分 > 旧总分:
status = "keep"，更新旧总分
# HL-4 见好就收：连续2轮 Δ < 2 分 → break 进 Phase 3
if last_delta < 2.0 and this_delta < 2.0:
print("触顶信号：连续2轮边际收益 < 2 分，停止优化避免过度调整")
break
else:
status = "revert"
git revert HEAD（创建新commit回滚，不用reset --hard）
记录失败尝试到 results.tsv
break # 该skill到瓶颈，跳到下一个
# Step 6: 日志
results.tsv 追加行
# === 🔴 CHECKPOINT · 每个 skill 优化完后强制人审 ===
展示该skill的改动摘要：
- git diff（改前 vs 改后）
- 分数变化（哪些维度提升/下降）
- 测试prompt输出对比（如果跑过的话）
等用户确认 OK 再继续下一个skill。
如果用户说"不好"，回滚到该skill的优化前版本。
Phase 2.5: 探索性重写（按需触发）
当 hill-climbing 连续2个skill都在 round 1 就 break（涨不动）时，提议一次「探索性重写」：
1. 选一个瓶颈skill
2. git stash 保存当前最优版本
3. 从头重写SKILL.md（不是微调，是重新组织结构和表达方式）
4. 重新评估
5. if 重写版 > stash版: 采用重写版
else: git stash pop 恢复
这解决了 hill-climbing 的局部最优问题——有时候需要「先拆后建」才能突破瓶颈。
🔴 CHECKPOINT · 🛑 STOP：必须征得用户同意后才执行。
Phase 3: 汇总报告
## 优化报告
### 总览
- 优化skills数：N
- 总实验次数：M
- 保留改进：X（Y%）
- 回滚次数：Z
- 实测验证：A次完整测试 / B次干跑
### 分数变化
┌──────────────────────────┬────────┬────────┬────────┐
│ Skill │ Before │ After │ Δ │
├──────────────────────────┼────────┼────────┼────────┤
│ huashu-proofreading │ 78 │ 87 │ +9 │
│ huashu-slides │ 72 │ 83 │ +11 │
├──────────────────────────┼────────┼────────┼────────┤
│ 平均 │ 75 │ 85 │ +10 │
└──────────────────────────┴────────┴────────┴────────┘
### 主要改进
1. [skill-A] 补充了边界条件处理，测试输出质量提升明显
2. [skill-B] 重组了workflow结构，baseline对比优势增大
results.tsv 格式
timestamp commit skill old_score new_score status dimension note eval_mode
2026-03-31T10:00 baseline huashu-proofreading - 78 baseline - 初始评估 full_test
2026-03-31T10:05 a1b2c3d huashu-proofreading 78 84 keep 边界条件 补充fallback full_test
2026-03-31T10:10 b2c3d4e huashu-proofreading 84 82 revert 指令具体性 过度细化 dry_run
新增 eval_mode 列：full_test（跑了子agent测试）或 dry_run（模拟推演）。
文件位置：$CLAUDE_PLUGIN_ROOT/skills/darwin-skill/results.tsv
实战 high-leverage 操作（精髓速查）
4 条经实战验证（huashu-gpt-image +10.85 / huashu-weread-advisor +14.9 / claude-design +16.5）。详细案例数据见 references/skilllens-evidence.md 的「HL 实战案例」节。
- HL-1（dim4）显性视觉标记是杠杆：加 🔴 CHECKPOINT / 🛑 STOP，靠「必须」措辞不行——LLM 解析时扫描视觉标记。4 行改动撬动 dim4 +3 分
- HL-2（dim3）if-then 三段式 fallback 表：把「症状/解法」两列升级为「触发条件 / 一线修复 / 仍失败兜底」三段式。SkillLens failure-mechanism encoding 维度的落地
- HL-3（Phase 2 诊断）维度相关簇警告：dim2/3/4 是相关簇——修 dim3 时 dim2 常跟着涨。「找最低维度」时同时看相关簇短板再决定是否同步改
- HL-4（Phase 2 退出）触顶自动 break：连续 2 轮 Δ < 2 分 → break 进 Phase 3。+0.15 是停手信号不是继续信号；硬凑 MAX_ROUNDS=3 引入 over-engineering
优化策略库
按优先级排序，每轮只做最高优先级的一个：
P0: Runtime 适配性问题（gate 项命中 → 必须先修）
- README/SKILL.md 出现红灯措辞（如「在 Claude Code 里」「Claude Code skill」）→ 替换为 runtime-neutral 措辞
- Badge 钉死单一 runtime → 改为
Agent Skills Standard + skills.sh + Multi-Runtime 三个中立 badge
- 安装章节只给一种 runtime 的路径 → 改为「一行命令（auto-detect）+ 手动路径表 + 作为参考资料」三层结构
- 工作流硬编码 runtime-specific 工具且无 fallback → 给出通用替代方案或标注「仅在某 runtime 可用」
- 例外：skill 名明确标注单 runtime（如
xxx-codex）的，可跳过本项
P0: 效果问题（实测发现的）
- 测试输出偏离用户意图 → 检查skill是否有误导性指令
- 带skill比不带还差 → skill可能过度约束，考虑精简
- 输出格式不符合预期 → 补充明确的输出模板
P1: 结构性问题
- Frontmatter缺少触发词 → 补充中英文触发词
- 缺少Phase/Step结构 → 重组为线性流程
- 缺少用户确认检查点 → 在关键决策处插入
P2: 具体性问题
- 步骤模糊（"处理图片"）→ 改为具体操作和参数
- 缺少输入/输出规格 → 补充格式、路径、示例
- 缺少异常处理 → 补充 "如果X失败，则Y"
P3: 可读性问题
- 段落过长 → 拆分+用表格
- 重复描述 → 合并去重
- 缺少速查 → 添加TL;DR或决策树
异常与边界条件
流程假设环境理想，但实操常遇异常。以下预定义 fallback，保证优化过程不会「一跑就卡住」。
| 场景 | 触发条件 | 处理动作 |
|---|
| 不在 git 仓库 | git rev-parse 失败 | 询问用户：执行 git init 或回退到文件备份；用户选后者则 cp SKILL.md SKILL.md.bak.YYYYMMDD-HHMM 代替 revert |
| results.tsv 缺失 | 文件不存在 | 新建并写表头行（9列：含 eval_mode） |
| results.tsv 损坏 | 列数不匹配 / 非TSV | 备份为 .bak.YYYYMMDD-HHMM 后重建，告知用户 |
| 分支已存在 | git checkout -b 失败 | 分支名末尾加 -2 / -3；第3次失败则切回现有分支并询问继续还是新起 |
git revert 失败 | 冲突 / 工作树脏 | 先 git stash，重试；仍失败则从上一个 commit 的 SKILL.md 读出覆盖当前文件手动恢复 |
| MAX_ROUNDS 触顶（默认3） | 已跑3轮仍有短板 | 不强制 break，展示当前最弱维度问用户「继续加1轮 / 进入Phase 2.5 / 收工」 |
| 优化后超 150% 体积 | 新文件 > 原 × 1.5 | 拒绝提交，回到改进步骤精简（删冗余/合并重复），再评 |
| test-prompts.json 已存在 | 文件已在 skill 目录 | 默认复用并展示，问用户「复用 / 重写 / 追加」三选一 |
| SKILL.md 找不到 | 目录存在但无 SKILL.md | 该 skill 终止，results.tsv 记 status=error，继续下一个 |
| 分数计算规则 | 浮点精度漂移 | 总分保留 1 位小数，改进需严格 > 旧分（不靠四舍五入） |
原则：异常先告知用户，再按规则处理；绝不静默跳过或静默失败。
darwin 操作反例黑名单（dim9 应用：darwin 自己优化时不要做的事）
来自本机 results.tsv 早期 40 次 0 revert 的教训 + Judge G/H 自指评估暴露的反模式。每条都是真实踩过的坑。
| # | 反模式 | 为什么不要做 | 替代做法 |
|---|
| 1 | 同 context 自评自改 | 改完后立刻在同一 Claude session 打分，会有「我刚改的肯定更好」乐观偏差（SkillLens 实证 LLM-as-judge 准确率仅 46.4%） | 必须 spawn 独立子 agent 评分，且至少 2 个 judge 共识才信 |
| 2 | git reset --hard 当回滚 | 会丢工作树未提交改动；CI 历史断裂 | 用 git revert HEAD 创建反向 commit，保留可追溯链 |
| 3 | 为凑分增冗余 | 触顶后继续硬改往往是「加废话/加段落让 LLM 觉得更详细」，实际质量不变 | 触顶信号（连续 2 轮 Δ<2 分）→ break 进 Phase 3，见好就收 |
| 4 | 跳过 test-prompts 直接评分 | 没有 test-prompts 的 dim8 是凭空打分，权重 23% 等于编造 | Phase 0.5 强制设计 2-3 prompts；若用户不给，默认编 3 个并展示确认 |
| 5 | 轮内改多个维度 | 多变量同时变，分数升降无法归因到具体改动 | 每轮 1 个维度；相关簇（dim2/3/4）改其一时观察另两个是否跟涨 |
| 6 | dry_run 比例 > 30% | dim8 实测维度形同虚设，分数虚高（早期 40 次记录 67% dry_run，0 revert） | 强制至少 1 个真实 full_test；dry_run 多的优化在 results.tsv 显式打 ⚠️ |
| 7 | 静默跳过异常 | 遇到 git/tsv 异常时静默继续，破坏 ratchet 完整性 | 异常表 10 条 fallback 必须先告知用户再处理 |
| 8 | 忽视维度相关性单独优化 | dim2/3/4 是相关簇，单独优化 dim2 时常发现已被前轮 dim3 修复推到顶 | 找最低维度时同时看相关簇短板，决定是否同步改 |
触发场景：每轮 Phase 2 改动前对照本表一次。任一反模式命中 → 改方案重写。
约束规则
- 不改变skill的核心功能和用途 — 只优化"怎么写"和"怎么执行"，不改"做什么"
- 不引入新依赖 — 不添加skill原本没有的scripts或references文件
- 每轮只改一个维度 — 避免多个变更导致无法归因
- 保持文件大小合理 — 优化后SKILL.md不应超过原始大小的150%
- 尊重花叔风格 — 中文为主、简洁为上
- 可回滚 — 所有改动在git分支上，用git revert而非reset --hard
- 评分独立性 — 效果维度必须用子agent或至少干跑验证，不能在同一上下文里「改完直接评」
- Runtime 中立性 — skill 必须能在 Claude Code、Codex、Cursor、OpenClaw、Hermes 等任何 skills-compatible runtime 中正常运行。除非 skill 名明确绑定单一 runtime（如
xxx-codex、huashu-slides-codex），任何「在 Claude Code 里」「Claude Code skill」「单一 badge 钉死」「安装命令只给 .claude/skills/ 一种路径」都视为 gate 不通过，须在 P0 优先修复（详见「Runtime 适配性审查」章节）
使用方式
全量优化（推荐首次使用）
用户："优化所有skills"
→ Phase 0-3 完整流程
→ 默认：先基线评估，按分数升序优先优化最低 5-10 个
单个优化
用户："优化 huashu-slides 这个skill"
→ 只对指定skill执行 Phase 0.5-2
仅评估不改
用户："评估所有skills的质量"
→ 只执行 Phase 0.5-1（设计测试prompt + 基线评估），不进入优化循环
查看历史
用户："看看skill优化历史"
→ 读取并展示 results.tsv
设计灵感
"You write the goals and constraints in program.md; let an agent generate and test code deltas indefinitely; keep only what measurably improves the objective."
— Karpathy, autoresearch
本skill的对应关系：
- program.md → 本文件（评估rubric和约束规则）
- train.py → 每个SKILL.md
- val_bpb → 9维加权总分（含实测表现 + meta-skill 反例黑名单）
- git ratchet → 只保留有改进的commit
- test set → 每个skill的test-prompts.json
区别：增加了人在回路（autoresearch是全自主的，skill优化需要人的判断力），以及双重评估机制（结构+效果），因为skill的「好坏」比loss数值更微妙。
学术依据 & Credits
成果卡片生成（Result Card）
每个skill优化完成后（或全量汇总后），自动生成视觉成果卡片，截图保存为PNG。
卡片模板
模板位置：templates/result-card.html
3种风格，每次随机选择一种：
| 风格 | CSS类 | URL hash | 视觉特点 |
|---|
| Warm Swiss | .theme-swiss | #swiss | 暖白底+赤陶橙，Inter字体，干净网格 |
| Dark Terminal | .theme-terminal | #terminal | 近黑底+荧光绿，等宽字体，扫描线 |
| Newspaper | .theme-newspaper | #newspaper | 暖白纸+深红，衬线字体，双栏编辑风 |
生成流程
1. 复制 templates/result-card.html 到临时工作文件
2. 用 sed/编辑工具 替换占位数据：
- data-field="skill-name" → 实际skill名
- data-field="score-before/after/delta" → 实际分数
- 9个维度的 dim-bar-before/after width → 实际百分比（若模板仍是旧 8 维布局，加一行 dim9 反例黑名单条目）
- data-field="improvement-1/2/3" → 实际改进摘要
- data-field="date" → 当前日期
3. 随机选择风格：hash 设为 swiss/terminal/newspaper 之一
4. 用 scripts/screenshot.mjs 截图（2x 高清，只截 .card 元素，自动 open 图片）：
node "$CLAUDE_PLUGIN_ROOT/skills/darwin-skill/scripts/screenshot.mjs" \
/abs/path/to/card.html /abs/path/to/output.png
# 回退方案（脚本失败时）：
npx playwright screenshot "file:///path/to/card.html#[theme]" \
output.png --viewport-size=960,1280 --wait-for-timeout=2000
5. 提示用户查看成果卡片 PNG
### 资源文件速查
| 路径 | 用途 |
|---|---|
| `templates/result-card.html` | 3风格主模板（swiss/terminal/newspaper，hash切换） |
| `templates/result-card-dark.html` / `-white.html` | 单一风格替代模板（需要锁定风格时用） |
| `scripts/screenshot.mjs` | 2x 高清截图，只截 .card，自动 open |
| `results.tsv` | 历次优化日志（9列含 eval_mode） |
| `{skill目录}/test-prompts.json` | 每个 skill 的测试 prompt 集（用于维度8实测） |
### 何时生成
- **单skill卡片**：每个skill优化完成后，展示该skill的分数变化
- **总览卡片**：全部优化完成后（Phase 3），展示全局战绩
### 品牌元素
- 顶部：Darwin.skill 品牌标识 + 日期
- 底部：「Train your Skills like you train your models」+ github.com/alchaincyf/darwin-skill
