[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-665":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":9,"language":10,"languages":9,"totalLinesOfCode":9,"stars":11,"forks":12,"watchers":13,"openIssues":14,"contributorsCount":15,"subscribersCount":15,"size":15,"stars1d":16,"stars7d":17,"stars30d":18,"stars90d":15,"forks30d":15,"starsTrendScore":19,"compositeScore":20,"rankGlobal":9,"rankLanguage":9,"license":9,"archived":21,"fork":21,"defaultBranch":22,"hasWiki":21,"hasPages":23,"topics":24,"createdAt":9,"pushedAt":9,"updatedAt":25,"readmeContent":26,"aiSummary":27,"trendingCount":15,"starSnapshotCount":15,"syncStatus":28,"lastSyncTime":29,"discoverSource":30},665,"darwin-skill","alchaincyf\u002Fdarwin-skill","alchaincyf","达尔文.skill —— 一个让你的Skill无限进化的系统：评估→改进→测试→保留或回滚 | Autoresearch-inspired autonomous skill optimization for Claude Code. Evaluate, improve, test, keep or revert.",null,"HTML",3707,414,13,6,0,186,562,1355,558,29.85,false,"master",true,[],"2026-06-12 02:00:16","\u003Cdiv align=\"right\">\n\n**[English](README_EN.md)** | 中文\n\n\u003C\u002Fdiv>\n\n![达尔文.skill](assets\u002Fbanner.svg)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"assets\u002Fhero.gif\" alt=\"Darwin Skill Animation\" \u002F>\n  \u003Cbr\u002F>\n  \u003Csub>动画由 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Falchaincyf\u002Fhuashu-design\">huashu-design\u003C\u002Fa> skill 制作\u003C\u002Fsub>\n\u003C\u002Fp>\n\n\u003Cdiv align=\"center\">\n\n# 达尔文.skill\n\n**像训练模型一样优化你的 Agent Skills。**\n\n受 [Andrej Karpathy 的 autoresearch](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fautoresearch) 启发，将自主实验循环从模型训练搬到 Skill 优化领域。一个只能向前转的棘轮。\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](LICENSE)\n[![Agent Skill](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FAgent%20Skill-Compatible-blueviolet)](https:\u002F\u002Fskills.sh)\n[![Skills](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fskills.sh-Compatible-green)](https:\u002F\u002Fskills.sh)\n\n```\nnpx skills add alchaincyf\u002Fdarwin-skill\n```\n\n\u003C\u002Fdiv>\n\n---\n\n## 核心循环\n\n![Core Loop](assets\u002Fchart-loop.png)\n\n---\n\n## 为什么做这个\n\nAgent Skill 生态在快速扩张。Claude Code、Codex、OpenClaw、Trae、CodeBuddy 等工具都支持 SKILL.md 格式。当你有 10 个 Skills 时可以手动维护；当你有 60+ 个 Skills 时，你需要一个系统。\n\n传统的 Skill 审查是**纯结构性的**：检查格式对不对、步骤有没有编号、路径能不能访问。但一个格式完美的 Skill，跑出来的效果可能很差。\n\n达尔文.skill 同时评估**结构质量**和**实际效果**，然后只保留真正有改进的修改。\n\n---\n\n## 从 autoresearch 到 Skill Optimizer\n\n这个项目直接受 Karpathy autoresearch 启发。autoresearch 的做法是：写一个 `program.md` 定义目标和约束，让 agent 自主生成和测试代码变更，只保留可测量的改进。\n\n我们把同样的思路搬到了 Skill 优化：\n\n| autoresearch | 达尔文.skill | 为什么这样映射 |\n|:---|:---|:---|\n| `program.md` | 本 SKILL.md | 定义评估标准和约束规则 |\n| `train.py` | 每个待优化的 SKILL.md | 被优化的资产，每次实验只改它 |\n| `val_bpb` | 8 维加权总分（满分100） | 可量化的优化目标 |\n| `git ratchet` | keep \u002F revert 机制 | 只保留有改进的 commit |\n| `test set` | test-prompts.json | 验证改进是否真的有效 |\n| 全自主运行 | **人在回路** | Skill 的好坏比 loss 更微妙，需要人的判断 |\n\n---\n\n## 五条核心原则\n\n| # | 原则 | 说明 |\n|:---|:---|:---|\n| 01 | **单一可编辑资产** | 每次只改一个 SKILL.md，变量可控，改进可归因 |\n| 02 | **双重评估** | 结构评分（静态分析）+ 效果验证（跑测试看输出） |\n| 03 | **棘轮机制** | 只保留改进，自动回滚退步，分数只升不降 |\n| 04 | **独立评分** | 评分用子 agent，避免「自己改自己评」的偏差 |\n| 05 | **人在回路** | 每个 Skill 优化完后暂停，用户确认再继续下一个 |\n\n---\n\n## 8 维度评估体系\n\n总分 100。结构维度靠静态分析（60分），效果维度必须实测（40分）。\n\n![Evaluation Rubric](assets\u002Fchart-rubric.png)\n\n> 实测表现权重最高（25分）。Skill 写得再漂亮，跑出来效果不好就是零。\n\n---\n\n## 优化循环：5 个阶段\n\n系统在每个阶段内自主运行，但在阶段之间暂停等待人类确认。\n\n![Optimization Lifecycle](assets\u002Fchart-phases.png)\n\n**Phase 2 的核心逻辑**：\n\n1. 找出得分最低的维度\n2. 针对该维度生成 1 个具体改进方案\n3. 编辑 SKILL.md，git commit\n4. 子 agent 独立重新评分\n5. 新分 > 旧分 → 保留；否则 → git revert\n6. 每个 Skill 完成后暂停，展示 diff + 分数变化，等用户确认\n\n---\n\n## 棘轮机制\n\n分数只能上升。每一轮要么改进 Skill，要么干净地回滚。不会随时间积累局部退化。\n\n![Ratchet Mechanism](assets\u002Fchart-ratchet.png)\n\n轮次 2 的 75 分低于当前最优的 78 分，被自动回滚。有效基线始终锁定在 78，后续改进从 78 继续。\n\n---\n\n## 快速开始\n\n```bash\nnpx skills add alchaincyf\u002Fdarwin-skill\n```\n\n安装后在任何支持 Skill 的 Agent 工具中说「优化所有skills」或「优化某个skill」就行。\n\n无法访问 GitHub 的朋友，可以直接下载 zip 包：[darwin-skill.zip](https:\u002F\u002Fpub-161ae4b5ed0644c4a43b5c6412287e03.r2.dev\u002Fskills\u002Fdarwin-skill.zip)，解压后把 SKILL.md 放到 `~\u002F.claude\u002Fskills\u002Fdarwin-skill\u002F` 目录即可。\n\n---\n\n## 设计灵感\n\n这个项目的设计直接受 **Andrej Karpathy 的 [autoresearch](https:\u002F\u002Fgithub.com\u002Fkarpathy\u002Fautoresearch)** 启发。\n\n核心机制完全相同：**只保留可测量的改进，其余全部回滚。**\n\n---\n\n## 关于作者\n\n| | |\n|:---|:---|\n| 🌐 官网 | [bookai.top](https:\u002F\u002Fbookai.top) · [huasheng.ai](https:\u002F\u002Fwww.huasheng.ai) |\n| 𝕏 Twitter | [@AlchainHust](https:\u002F\u002Fx.com\u002FAlchainHust) |\n| 📺 B站 | [花叔](https:\u002F\u002Fspace.bilibili.com\u002F14097567) |\n| ▶️ YouTube | [@Alchain](https:\u002F\u002Fwww.youtube.com\u002F@Alchain) |\n| 📕 小红书 | [花叔](https:\u002F\u002Fwww.xiaohongshu.com\u002Fuser\u002Fprofile\u002F5abc6f17e8ac2b109179dfdf) |\n| 💬 公众号 | 微信搜「花叔」 |\n\n---\n\n## 许可证\n\nMIT\n\n---\n\n\u003Cdiv align=\"center\">\n\n**[女娲](https:\u002F\u002Fgithub.com\u002Falchaincyf\u002Fnuwa-skill)** 造 Skill。\u003Cbr>\n**达尔文** 让 Skill 进化。\u003Cbr>\u003Cbr>\n*只保留改进，时间就站在你这边。*\n\n\u003Cbr>\n\nMIT License © [花叔 Huashu](https:\u002F\u002Fgithub.com\u002Falchaincyf)\n\n\u003C\u002Fdiv>\n","达尔文.skill 是一个用于持续优化 Agent Skills 的系统，通过评估、改进、测试和选择性保留或回滚来实现Skill的进化。该项目借鉴了Andrej Karpathy的autoresearch理念，将自主实验循环应用到Skill优化中，其核心功能包括双重评估（结构质量与实际效果）、棘轮机制（只保留有改进的修改）以及人在回路的设计原则，确保每次迭代都是正向进步。它特别适合于需要维护大量Skills（如超过60个）的场景，帮助开发者自动筛选出真正有效的Skill改进方案，提高工作效率的同时保证了输出质量。",2,"2026-06-11 02:38:30","CREATED_QUERY"]