系列回顾：主循环 · Skills
Skill 写完能跑，不等于写得好。常见病是：正向流程写得很满，失败分支没有；「与用户确认」写了，但模型扫不到；禁止项散落全文，关键决策照样越界。
这篇讲怎么用 Darwin Skill（darwin-skill）对已有 SKILL.md 做结构化优化——以本机优化 unified-dev-workflow 的实战为例。

---

为什么不「自己改自己评」

手改 Skill 的陷阱和手改 prompt 一样：

做法	问题
改完立刻自评「更好了」	同 context 乐观偏差；SkillLens 实证 LLM-as-judge 准确率仅约 46%
只看绝对分涨跌	换个 judge 同一份未改稿可晃 ±8 分——大半是换尺，不是真退步
一轮改三个维度	分数升降无法归因

Darwin 的对策很简单：

1. 9 维 rubric 先做 triage（哪支最弱、先改谁）
2. 每轮只改一个维度
3. keep/revert 用 paired 比较：同一 judge 一次读改前+改后，多数决；不用绝对分 delta
4. 关键节点人审（🔴 CHECKPOINT）

核心理念可以记成一句话：

评估 → 改进 → 实测 / paired → 人类确认 → 保留或回滚

（灵感来自 Karpathy autoresearch；度量从确定性 loss 换成了 LLM judge，所以棘轮必须改成 paired。）

---

安装与调用

把 Darwin 装到你的 skills 目录（Cursor / Claude Code / 其它兼容 Agent Skills 的 runtime 均可；注意措辞要 runtime 中立，别写成「只给 Claude Code 用」）。

常用话术：

你说	Darwin 做什么
评估 xxx skill / /darwin 评测 xxx	Phase 0.5–1：设计测试 prompt + 基线评分，不改文件
优化 xxx / 优化所有 skills	确认后进入 Phase 2 棘轮循环
看看 skill 优化历史	读 results.tsv

本机路径示例（按你的安装位置调整）：

~/.agents/skills/darwin/SKILL.md          # 或 .cursor/skills/darwin-skill/
~/.cursor/skills/<your-skill>/SKILL.md    # 被优化的目标
~/.agents/skills/darwin/results.tsv       # 实验日志

目标 skill 若不在 git 仓里：用 SKILL.md.bak.YYYYMMDD-HHMM 代替 git revert，一样能棘轮。

---

流程一张图

Phase 0     定范围、建分支 / 备份、初始化 results.tsv
    ↓
Phase 0.5   为 skill 设计 2–3 条典型 test prompts  →  人确认
    ↓
Phase 1     9 维基线分（结构主评 + dim8 子 agent / 干跑）→  人确认
    ↓
Phase 2     按加权缺口从弱到强：
              改 1 维 → commit/备份 → N=3 paired judge → keep | revert
              每 skill 结束再人审；触顶或连续 slight 则停
    ↓
Phase 3     汇总报告（可选成果卡片）

绝对总分只做 triage。 keep/revert 只看 paired 多数决。

---

9 维 Rubric（记权重，不背细则）

#	维度	权重	优化时常盯什么
1	Frontmatter	7	做什么 + 何时用 + 触发词；禁空话尾巴
2	工作流清晰度	12	有序号、每步有输入/输出
3	失败模式编码	12	「触发 / 一线修复 / 仍失败兜底」三段式
4	检查点	6	必须有 🔴 / STOP / CHECKPOINT 视觉标记
5	可执行具体性	18	禁「建议/视情况」堆砌
6	资源整合	4	references 路径可达
7	整体架构	12	少废话、层次清楚
8	实测表现	23	带 skill vs 不带 skill 跑同一 prompt
9	反例黑名单	6	独立「不要做什么」章，散落「禁止」不够

Phase 2 诊断用 加权缺口：

weighted_gap = weight × (10 − score) / 10

先修缺口最大的维。dim2/3/4 是相关簇：修失败分支时，检查点往往顺手变好——但仍建议一轮一维，方便归因。

---

实战：优化 unified-dev-workflow

对象：~/.cursor/skills/unified-dev-workflow/SKILL.md
用途：OpenSpec + 竖切 issue + TDD 的极简话术工作流（uw 继续 / uw #N / uw 归档…）。

1）先定测试 prompt（Phase 0.5）

没有 test prompts，dim8（权重 23%）就是瞎打分。我们用了三条典型场景：

id	prompt	期望
1	uw 继续	读 change/tasks/issues，只做下一步，输出进度块
2	uw 给设置页加暗色模式开关	只 propose，不写实现，等确认
3	uw 归档（从未验收）	拒绝 archive，拉回阶段 4

确认后再评——方向错了，后面全是噪音。

2）基线（Phase 1）

总分	主要短板
75.7	dim3 失败分支弱；dim4 有「确认」无 🔴；dim9 禁止项散落无专章

dim8 用子 agent 做 with-skill vs baseline 计划级对比（无真实仓库落代码时标 dry_run）：

• 无 skill：新需求常直接写代码；无验收也会归档
• 有 skill：propose 停步、归档门禁清晰

结论：流程骨架已经对，缺的是失败编码、显性人审、反例章。

3）三轮棘轮（Phase 2）

轮次	改什么	内容	paired
R1	dim3	新增「失败与恢复」：9 行触发 / 一线 / 兜底	3-0 better
R2	dim4	propose / 拆票 / 多 change / 验收处加 🔴 CHECKPOINT · 🛑 STOP	3-0 better
R3	dim9	独立「不要做什么」黑名单 9 条	keep

约束：不改核心用途、不引入新依赖、体积不超过原稿 150%（本例约 1.46×）。

无 git 时每轮先：

SKILL.md.bak.YYYYMMDD-HHMM

paired 判 worse 就从备份还原；判 better 就保留。

4）收工后技能长什么样

铁律
  ↓
失败与恢复（三段式表）     ← R1
  ↓
五阶段 + 🔴 CHECKPOINT     ← R2
  ↓
交付检查
  ↓
不要做什么（反例黑名单）   ← R3

日志写在 Darwin 的 results.tsv，便于以后复盘。

---

优化完对使用者的好处

Skill 作者改的是文档；使用者感到的是 Agent 行为：

1. 少假成功 — push/gh/validate 失败有兜底，不再静默勾 task、关 issue
2. 关键步会停 — 未确认不写实现、不拆错票、不偷偷 archive
3. 坏习惯可对照 — 「本地绿就关票」「无验收就归档」写在黑名单里，Agent 更容易扫到
4. 调用方式不变 — 仍说 uw 继续；变稳的是执行纪律，不是让用户背长模板

这才是 Darwin 相对「润色文案」的价值：改可执行约束，而不只是写得更像好文档。

---

操作清单（可复制）

1. /darwin 评测 <skill名>
2. 确认 test-prompts（2–3 条 happy + 一门禁场景）
3. 看基线评分卡 → 记下加权缺口最大维
4. 回复「优化」进入 Phase 2
5. 每轮只改一维 → 等 paired 多数决 → 人审 OK 再下一轮
6. MAX_ROUNDS（默认 3）或连续 slight → 收工
7. 看 diff / bak / results.tsv，决定是否留用

高杠杆改法（来自 Darwin 实战 HL）：

• HL-1：检查点加 🔴 / 🛑，别只写「必须确认」
• HL-2：失败表用「触发 / 一线 / 兜底」三段，别只写症状
• HL-4：连续两轮只是 slight/tie → 见好就收，别硬凑轮次加废话

反模式（Darwin 自己的黑名单）：

• 同 session 自评自改当 keep 依据
• 用绝对分涨跌决定 revert
• git reset --hard 回滚（应用 revert 或文件备份）
• dry_run 比例过高还宣称「实测提升」

---

和「手写一版更好的 Skill」差在哪

	手改	Darwin
改什么	凭感觉	按加权缺口 + 一轮一维
怎么判更好	自觉 / 绝对分	paired 多数决 + 人审
失败与人审	容易漏	rubric 强制 dim3 / dim4 / dim9
可回滚	看心情	bak / git 棘轮

手改适合从零写；Darwin 适合已有 Skill 要稳态变好——尤其是「能跑但偶尔越界」的那种。

---

小结

1. 先评再改：test prompts → 9 维基线 → 人确认
2. 绝对分只排序；paired 才 keep/revert
3. 优先补失败分支、显性检查点、反例专章
4. 每轮一维、控制体积、保留备份
5. 最终标准是 Agent 执行时更守规矩，不是 Markdown 更长

下一步：对你仓库里最常用的那支 Skill 跑一遍「仅评估」；分数卡出来后，再决定要不要进优化循环。

---

参考

• Darwin Skill：https://github.com/alchaincyf/darwin-skill
• SkillLens（arXiv 2605.23899）
• SkillOpt（arXiv 2605.23904）
• 本例目标 skill：~/.cursor/skills/unified-dev-workflow/SKILL.md