（5593期）达尔文.skill – 实测驱动的Skill持续优化系统

实测驱动的Skill持续优化系统 借鉴Karpathy autoresearch理念，对SKILL.md进行结构评分+效果验证的自主优化循环，通过git版本控制实现可回滚的持续改进。 使用说明 核心用法 darwin-skill 是一套受Karpathy autoresearch启发的自主skill优化系统，核心流程为「评估→改进→实测验证→人类确认→保留或回滚」。当用户触发"优化skill"、"skill评分"、"自动优化"等关键词时启动。 8维度评估体系（总分100） 结构维度60分：Frontmatter质量、工作流清晰度、边界条件覆盖、检查点设计、指令具体性、资源整合度 效果维度40分：整体架构、实测表现（关键差异点——用测试prompt跑真实输出对比baseline） 三阶段工作流 Phase 0.5：设计2-3个测试prompt，用户确认后进入评估 Phase 1：基线评估，生成评分卡，等用户确认 Phase 2：hill-climbing优化循环，每轮只改一个维度，用独立子agent重跑测试，总分严格提升才保留，否则git revert 关键设计 棘轮机制：只保留改进，自动回滚退步 评分独立性：效果维度必须用子agent或干跑验证，避免「自己改自己评」 人在回路：每个skill优化完展示git diff和分数变化，等用户确认再继续 探索性重写：连续瓶颈时可选全盘重构，突破局部最优 显著优点 实测驱动：不只看写得规不规范，更看改完后实际跑出来的效果是否更好 可解释性强：每轮改动单一维度，归因清晰，results.tsv完整记录历史 风险可控：git分支隔离，revert而非reset，用户随时可介入回滚 与花叔生态对齐：尊重中文为主、简洁为上的风格 潜在缺点 资源消耗大：每个skill需跑2-3次子agent测试，全量优化成本较高 测试prompt质量依赖人：设计不佳会导致优化方向偏差 效果评分主观性：即使子agent评分，「输出质量」判断仍有主观成分 收敛速度不确定：局部最优时需要探索性重写，增加不确定性 适合人群 拥有5个以上skills、需要系统化管理质量的中高级用户 愿意投入时间理解评估逻辑、参与人在回路确认的技术型用户 追求"可测量改进"而非"感觉变好"的数据驱动型用户 常规风险 过度优化：可能为追求分数提升而牺牲skill简洁性（有文件大小150%约束缓解） 测试泛化不足：测试prompt覆盖不全时，优化后的skill在真实场景中可能退化 子agent失败降级：资源不足时退化为干跑验证，评分可靠性下降 git操作依赖：环境若无git或分支冲突，可能中断流程 原始说明 Autonomous skill optimizer inspired by Karpathy's autoresearch. Evaluates SKILL.md files using an 8-dimension rubric (structure + effectiveness), runs hill-c...