用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/mindspore-ai/akg --skill adaptive-evolve命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
基于 SOC 职业分类
正在显示 SKILL.md
| name | adaptive-evolve |
| description | 自适应进化工作流，使用进化算法进行多轮迭代优化 |
| category | workflow |
| version | 1.2.0 |
| license | MIT |
| structure | {"child_skills":["designer-agent","coder-agent","verifier-agent"],"default_children":["designer-agent","coder-agent"],"exclusive_groups":[["coder-iterative","coder-aggressive"]]} |
自适应进化工作流使用进化算法（Evolutionary Algorithm）进行算子优化，适合复杂的融合算子和性能关键的场景。
Designer → 生成N个设计方案
↓
Coder → 编码为可执行代码（并发）
↓
Verifier → 评估适应度
↓
选择 → 保留前K个优秀个体
↓
变异 → 生成新候选
↓
[循环多轮] → 直到性能达标或迭代上限
population_size: 种群大小（默认：10）generations: 迭代代数（默认：20）elite_size: 精英数量（默认：2）selection_method: tournament, roulette, rankmutation_rate: 变异概率（默认：0.3）crossover_rate: 交叉概率（默认：0.7）failure_threshold: 失败阈值，触发策略切换（默认：3）adaptive_population: 动态调整种群大小early_stopping: 提前停止条件| 算子类型 | Standard | Adaptive-Evolve | 提升 |
|---|---|---|---|
| 简单MatMul | 5s | 60s | 10% |
| 融合算子 | 10s | 90s | 45% |
| 复杂Kernel | 20s | 180s | 80% |
结论: 复杂场景下，额外时间投入带来显著性能提升。
# 初始种群生成
designs = designer.generate_initial_population(
size=population_size,
task_desc=task_description
)
# 变异操作
new_designs = designer.mutate(
parent_designs=elite_designs,
mutation_rate=0.3
)
# 并发编码
codes = await asyncio.gather(*[
coder.encode(design)
for design in designs
])
# 适应度函数
fitness = verifier.evaluate(
code=code,
metrics=['accuracy', 'latency', 'memory']
)
fitness_score = 0.4*accuracy + 0.4*(1/latency) + 0.2*(1/memory)
# 记录每代最优个体
history = {
'generation': [],
'best_fitness': [],
'avg_fitness': []
}
# 绘制进化曲线
plot_evolution_curve(history)
# 失败个体分析
failed_designs = [d for d in designs if d.fitness < threshold]
analyze_failure_patterns(failed_designs)