darwin-skill 调研：像训练模型一样进化你的 Agent Skill，受 Karpathy autoresearch 启发的”棘轮”系统

把 SKILL.md 当训练资产，评估→改进→测试→保留或回滚，分数只升不降。

写在前面

Agent Skill 生态正在快速扩张。Claude Code、Codex、OpenClaw、Trae 都支持 SKILL.md，你有 10 个 Skills 时还能手写维护，到了 50+ 个就彻底失控了。

达尔文.skill（darwin-skill）想解决的就是这个问题：把 SKILL.md 当成一个可以被 ” 训练 ” 的资产，用自主实验循环评估质量、找出短板、针对性改进，只保留有实证改进的修改，退步则自动回滚。

这个思路的源头是 Andrej Karpathy 的 autoresearch（71k star），把 ” 让 AI 跑实验、自己评估结果、只保留改进 ” 的机制搬到了 Skill 优化领域。

一、它解决什么问题

核心问题 ：当 Skill 数量爆炸后，你不知道哪个 skill 结构完整但效果很差、哪个 frontmatter 不规范、哪个迭代了七八版还停留在第 3 版。达尔文给你一个数字：9 维评分，满分 100，每轮只升不降。

二、9 维度评估体系

v2.0 的评分矩阵吸收了微软 SkillLens 论文（arXiv:2605.23899）的实证结果，满分 100 分。

v2.0 三个新维度直接来自 SkillLens 论文 73.8% rubric：失败模式编码 / 可执行具体性 / 高风险行动黑名单。

三、棘轮机制：只保留改进，自动回滚

优化循环 5 个阶段：

 基线评估  →  了解当前短板
针对性改进  →  每轮只改一个维度，变量可控
验证与测试  →  跑 test-prompts.json 看实际效果
保留或回滚  →  新分 > 旧分则 git commit，否则 git revert
人在回路  →  关键节点暂停，等用户确认再继续 

git ratchet 是灵魂 ：分数只升不降。如果一轮优化导致分数下降，系统自动执行 git revert 到上一个稳定版本，不会积累局部退化。

独立评分 ：每轮启动 2 个独立子 agent 打分，下一轮换全新评委，避免 ” 自己改自己评 ” 的偏差（SkillLens 实证：LLM 自评准确率仅 46.4%）。

反例黑名单 8 条 ：同一个 AI 又改又评 / 用 git reset –hard 当回滚 / 为凑分堆冗余 / 跳过测试提示词直接评分 / 一轮内改多个维度 / 干跑比例 > 30% / 静默跳过异常 / 忽视维度相关簇。

四、人在回路：与 SkillOpt 的本质区别

微软 SkillOpt 是全自主系统。达尔文.skill 做了三个强制暂停点：Phase 1 基线评估后人工审报告 / Phase 2 单维度优化后 CHECKPOINT 暂停 / Phase 3 回归测试 STOP 强制停手。

理由很实在：Skill 的好坏比 validation loss 更微妙，需要人的判断。

双向背书 ：2026-06-03，微软 SkillOpt 官方仓库把 darwin-skill 写进了集成名单，一次双向致意。

五、实测数据

38 次 git commit 的优化记录均在仓库里，每轮改进都可归因、可回滚。

六、快速开始

# 一键安装
npx skills add alchaincyf/darwin-skill

# 在任何支持 SKILL.md 的 Agent 工具中说：# " 优化所有 skills" 或 " 优化某个 skill"

七、对比：skill-creator vs darwin-skill

两者互补：skill-creator 解决 ” 怎么从零创建 ”，darwin-skill 解决 ” 怎么持续进化 ”。

八、风险与坑

1. 强依赖 LLM 自评 ：即使有独立评委，打分本身还是 LLM 判断，存在基准漂移风险
2. 微软论文还很新 ：SkillLens / SkillOpt 都是 2026-05 发布的，长期效果待验证
3. 人在回路 = 半自动 ：每轮需要人工确认，大规模 Skill 库（60+）的优化效率有限
4. 工具绑定 Claude Code：目前主要围绕 Claude Code 生态，其他平台适配依赖 SKILL.md 格式兼容性

九、总结

达尔文.skill 最值得装的三个理由：

1. 棘轮机制 ：分数只升不降，演进路径可追溯
2. 独立评分 ：用子 agent 打分，避免 LLM 自评 46% 准确率的坑
3. 吸收最新研究 ：v2.0 对齐微软 SkillLens 73.8% rubric + SkillOpt validation-gated 框架

如果你的 SKILL.md 数量在 10+，且部分 skill 已经迭代到 3 版以上但效果难评估——先跑一轮基线评分，数字会告诉你哪个维度最需要补。

参考

• GitHub: alchaincyf/darwin-skill
• CodeKK 中文介绍
• CSDN: 达尔文.skill 正式发布
• CSDN: 从创建到进化（skill-creator + darwin）
• SkillLens 论文 arXiv:2605.23899
• SkillOpt 论文 arXiv:2605.23904
• Karpathy autoresearch