darwin-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 → 生成成果卡片 GitHub: autoresearch 的精髓： 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 。 这是与纯结构评分最大的区别。评分方式： 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 。 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。 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。 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： 暂停等用户确认，再进入优化循环。 用户确认后，按基线分数从低到高排序，先优化最弱的。 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」： 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。 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/darwin-skill/results.tsv 按优先级排序，每轮只做最高优先级的一个： 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」。 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。 "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： 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。 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。 模板位置： templates/result-card.html 3种风格，每次随机选择一种： - 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 - 维度1-7：每个维度打...