一、先问你一个问题

你有没有过这种感觉：给 AI 装了一堆"技能"（skill），刚开始还挺好用，但越用越觉得不对劲？

写个报告，它啰嗦半天；让它总结，它抓不住重点；换个场景，它又一本正经地跑偏。你以为是模型不行，其实很可能是——你的 skill 写得太糙了。

skill 这东西，说白了就是给 AI 的"岗位说明书"。说明书写得好不好，直接决定 AI 干活的质量。可问题是：大部分人写完 skill 就扔在那儿，从不迭代。就像招了个员工，上岗那天发份入职手册，之后就再也不管了——时间一长，手册过时了、流程僵化了，员工自然越干越差。

那有没有办法，让 AI 自己评估、优化、验证、回滚自己的 skill？

有。这就是今天要聊的 darwin-skill。

二、darwin-skill 是什么？

一句话：借鉴 Karpathy autoresearch 思想 和 微软的 SkillOpt 的自主 skill 优化器——让 AI 像生物进化一样，持续优化自己的技能，保留进步、淘汰退步。

光看名字就很有讲究。"darwin"取自达尔文，核心思想就是进化论：评估现状 → 尝试改进 → 验证效果 → 留下好的、砍掉坏的。

它跟市面上那些"skill 检查工具"最大的区别是：不是只看格式规不规范，而是真的跑一遍，看改完效果是不是更好。

三、核心思想：五步进化循环

darwin-skill 的核心是一个闭环，五个环节：

评估 → 改进 → 实测验证 → 人类确认 → 保留或回滚

1. 评估：给每个 skill 打分（8 个维度，满分 100）
2. 改进：找出最弱的一环，针对性改一版
3. 实测验证：拿真实测试问题跑一遍，看输出质量是否真的提升
4. 人类确认：改完停下来，让你过目，你说 OK 才继续
5. 保留或回滚：分数涨了保留，跌了自动回滚

这里有几个很聪明的设计：

棘轮机制——只保留改进，退步自动回滚。就像棘轮只能往前转，不能倒退。用 git 管理，回滚用 git revert（生成新提交），而不是 reset --hard（抹掉历史），这样每一步都有迹可循。

独立评分——打分用独立的子 agent 来做(可以是同一个基模，但是是独立的上下文)，避免"自己改自己评"的偏差。你想啊，一个人改完自己的作业再给自己打分，能客观吗？AI 也一样。

人在回路——这是它和 Karpathy autoresearch 最大的区别。autoresearch 是全自主的，让 AI 无限跑实验；但 skill 优化需要人的判断，所以每个 skill 优化完都会暂停，等你确认。AI 负责干活，你负责拍板。

四、8 维度评分表：最硬核的干货

这是整个工具最值钱的地方——一套可复用的 skill 质量评估标准。别管你用不用 darwin-skill，这套评分表本身就能帮你审视自己写的 skill。

结构维度（60 分）——静态分析，看"写得好不好"

#	维度	权重	看什么
1	Frontmatter 质量	8	name 规范、description 说清楚做什么+何时用+触发词
2	工作流清晰度	15	步骤明确可执行、有序号、每步有输入输出
3	边界条件覆盖	10	异常怎么处理、有没有 fallback、错误怎么恢复
4	检查点设计	7	关键决策前有没有让用户确认
5	指令具体性	15	不模糊、有具体参数/格式/示例
6	资源整合度	5	references/scripts 路径对不对、可达不可达

效果维度（40 分）——需要实测，看"跑出来好不好"

#	维度	权重	看什么
7	整体架构	15	结构清晰、不冗余不遗漏
8	实测表现	25	用测试 prompt 跑一遍，输出质量够不够

总分 = Σ(维度分 × 权重) / 10，满分 100。

注意第 8 维"实测表现"权重最高（25 分），这是它跟纯结构审查最大的分水岭。怎么测？给每个 skill 设计 2-3 个典型使用场景的 prompt（不是刁钻的边角 case，是用户最常用的话），然后：

• 一个子 agent 带着 skill 跑
• 一个子 agent 不带 skill 跑（作为 baseline）
• 对比两组输出，看带 skill 到底有没有提升

如果资源紧张跑不了子 agent，就退化成"干跑验证"——读完 skill，模拟一个典型 prompt 的执行思路，判断流程合不合理。但要在结果里标注 dry_run，别假装跑过。

五、怎么用？三步上手

第一步：装好 skill

先确保你已经有了一些 skill（装多少都行），然后安装 darwin-skill，给 AI 发一句：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_df471c2d/darwin-skill

第二步：四种用法，按需选

用法	说一句话	它干什么
全量优化	“优化所有 skills”	跑完整流程，先基线评估，挑分最低的 5-10 个重点优化
单个优化	“优化 xx 这个 skill”	只针对指定 skill
仅评估不改	“评估所有 skills 的质量”	只打分，不动手
查看历史	“看看 skill 优化历史”	展示 results.tsv 优化记录

第三步：在关键节点拍板

整个流程里，AI 会在两个地方停下来等你：

1. 基线评估完——先给你看评分卡，你确认了才进入优化
2. 每个 skill 优化完——给你看改动 diff 和分数变化，你说 OK 才继续下一个

六、为什么值得装？

1. 它解决的是"skill 越用越笨"的真问题

很多人装了 skill 就完事，从不迭代。darwin-skill 把"优化 skill"从一件靠自觉的事，变成了一套自动化的、可验证的流程。

2. 它比纯结构审查高一个段位

市面上很多工具只看你的 SKILL.md 格式规不规范、有没有触发词。但格式规整 ≠ 效果好。darwin-skill 的核心是实测——改完真的跑一遍，用输出质量说话。这才是"有效优化"。

3. 它和 Karpathy autoresearch 一脉相承

Karpathy 的 autoresearch 思想是：把目标和约束写进 program.md，让 agent 无限生成并测试代码改动，只保留能可测量提升目标的部分。darwin-skill 把这套思想搬到了 skill 优化上：

autoresearch	darwin-skill
program.md（目标+约束）	本文件（评估 rubric + 约束规则）
train.py	每个 SKILL.md
val_bpb（验证指标）	8 维加权总分（含实测）
git ratchet（棘轮）	只保留有改进的 commit
test set（测试集）	每个 skill 的 test-prompts.json

4. 它适合谁？

• 装了一堆 skill 但从不管理的人
• 想让 AI 干活更稳定、更高效的开发者
• 对"AI 自我进化"这个话题感兴趣的人

七、避坑指南 + 一句话收尾

用的时候，记住这几条底线（也是它内置的约束规则）：

1. 别改核心功能——只优化"怎么写"，不改"做什么"
2. 别乱加依赖——不引入原本没有的 scripts/references
3. 每轮只改一个维度——改多了没法归因
4. 控制体积——优化后别超过原来的 150%
5. 保持简洁——中文为主，别堆砌
6. 可回滚——所有改动都在 git 分支上
7. 评分要独立——效果维度必须子 agent 或至少干跑验证，不能"改完直接评"

---

最后，送你一句话：

AI 的技能，也应该像生物一样进化——保留进步，淘汰退步。这就是 darwin 的意义。

你的 skill 不是写一次就完事的。让它活起来，让它自己长。