| name | darwin-skill |
| description | Autonomous skill optimizer inspired by Karpathy's autoresearch. Evaluates SKILL.md files using an 8-dimension rubric (structure + effectiveness), runs hill-climbing with git version control, and validates improvements through test prompts. Use when user mentions "优化skill", "skill评分", "自动优化", "auto optimize skills", "skill质量检查", "这个skill写得不好", "帮我改改skill", "skill怎么样", "提升skill质量", "skill review", "skill打分". |
达尔文.skill
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
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（8维度，总分100）
结构维度（60分）— 静态分析
| # | 维度 | 权重 | 评分标准 |
|---|
| 1 | Frontmatter质量 | 8 | name规范、description包含做什么+何时用+触发词、≤1024字符 |
| 2 | 工作流清晰度 | 15 | 步骤明确可执行、有序号、每步有明确输入/输出 |
| 3 | 边界条件覆盖 | 10 | 处理异常情况、有fallback路径、错误恢复 |
| 4 | 检查点设计 | 7 | 关键决策前有用户确认、防止自主失控 |
| 5 | 指令具体性 | 15 | 不模糊、有具体参数/格式/示例、可直接执行 |
| 6 | 资源整合度 | 5 | references/scripts/assets引用正确、路径可达 |
效果维度（40分）— 需要实测
| # | 维度 | 权重 | 评分标准 |
|---|
| 7 | 整体架构 | 15 | 结构层次清晰、不冗余不遗漏、与花叔生态一致 |
| 8 | 实测表现 | 25 | 用测试prompt跑一遍，输出质量是否符合skill宣称的能力 |
评分规则
- 维度1-7：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
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）？
如果无法跑子agent（时间/资源限制），可以退化为「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。但要在results.tsv中标注 dry_run。
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 │ │ │
└──────────────────────────┴───────┴──────────────┴──────────────┘
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）
# 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
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
# === 每个skill优化完后的人类检查点 ===
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（可选）
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。
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/skills/auto-optimize-results.tsv
优化策略库
按优先级排序，每轮只做最高优先级的一个：
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
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」
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
→ 建议：先基线评估，选择分数最低的5-10个重点优化
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 → 8维加权总分（含实测表现）
- 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。
