Skill 自动进化 · 让系统自己变好（花叔 darwin）
问题在哪
你花了时间，用女娲（nuwa）把 Skill 写出来了。写完觉得不错，存档，继续用。
然后呢？
大概率就这样了。Skill 像个文件一样躺在那里，不会自己变好。你用一段时间，发现它有时候跑偏、有时候输出格式奇怪，但要手动去改，你又没精力——光找到是哪里写得不好就要花时间。
当 Skill 还少的时候，这不是问题。但如果你跟花叔一样，攒了 60 多个 Skill，就真的需要一个系统来帮你做这件事了。
这就是 darwin-skill 想解决的问题：Skill 写出来只是开始，持续进化才是常态。
darwin 的思路：像训练模型一样优化 Skill
花叔直接说，这个项目是受 Andrej Karpathy 的 autoresearch 启发做的。
Karpathy 的 autoresearch 是什么？简单说：给 AI 一个目标，让它自己生成代码变更、自己测试、只保留能测量到的改进，其余全部回滚。全程几乎不需要人参与。
花叔把这套思路搬到了 Skill 优化上：
| autoresearch 的做法 | darwin 对应的东西 |
|---|---|
program.md 定义目标和约束 | SKILL.md 本身（达尔文的评估协议） |
train.py 被优化的代码 | 每个待优化的 SKILL.md |
| 可测量的 loss 值 | 8 维加权总分（满分 100） |
| git ratchet 只保留改进 | keep / revert 机制 |
| test set 验证集 | 每个 Skill 配套的 test-prompts.json |
最大的区别是：autoresearch 是全自主的，darwin 加了人在回路——每个 Skill 优化完，先给你看 diff 和分数变化，你点头才继续。花叔觉得 Skill 好不好，比 loss 数值更微妙，不能完全甩给机器判断。
核心机制：5 个阶段 + 棘轮
整个流程分 5 个阶段，阶段之间暂停等你确认：
Phase 0：确定要优化哪些 Skill，建 git 分支，翻翻历史记录。
Phase 0.5：为每个 Skill 设计 2-3 个测试 prompt。这步很关键——没有测试 prompt，就没法做真实效果评估，只能看格式好不好看，那意义不大。
Phase 1（基线）：用 8 维度评分体系给每个 Skill 打基线分，展示评分卡，等你确认。
Phase 2（优化循环）：从分数最低的开始，每轮找出最薄弱的维度 → 生成改进方案 → 改 SKILL.md → git commit → 子 Agent 独立重新评分 → 新分比旧分高就保留，否则 git revert。每个 Skill 改完暂停给你看。
Phase 2.5（可选）：如果 hill-climbing 连续撞墙，可以提议从头重写——不是微调，是彻底重组结构。但必须你同意才动。
Phase 3：汇总报告，Before/After 对比表，主要改进清单。
棘轮机制
这是整个系统的保险：分数只升不降。
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。
用 git revert（不用 reset --hard），每个操作都有记录，任何时候可以追溯。
8 维度评估体系
总分 100，分两类：
结构维度（60 分）——静态分析，AI 自己读就能打：
- Frontmatter 质量（8 分）：触发词够不够、描述清不清楚
- 工作流清晰度（15 分）：步骤有没有编号、每步输入/输出明不明确
- 边界条件覆盖（10 分）：异常情况处理、fallback 路径
- 检查点设计（7 分）：关键决策前有没有让用户确认
- 指令具体性（15 分）：有没有具体参数/格式/示例
- 资源整合度（5 分）：引用的路径是否可达
效果维度（40 分）——必须实测：
- 整体架构（15 分）：结构层次清不清晰
- 实测表现（25 分）：用测试 prompt 真的跑一遍，输出质量怎么样
花叔把实测表现权重设最高（25 分）。道理很直接：Skill 写得再漂亮，跑出来效果不好就是零。
评效果的方式：一个子 Agent 带着这个 Skill 跑测试 prompt，另一个不带 Skill 跑同一个 prompt，对比两组输出。评分用独立子 Agent，避免”自己改自己评”的偏差——这个设计很认真。
你可以怎么用
三种使用方式，门槛从低到高：
只评估，不改：说”评估所有 skills 的质量”，只跑基线评分，不动文件。适合先摸底，看看自己的 Skill 质量分布在哪里。
单个优化：说”优化 XXX 这个 skill”，只对一个 Skill 跑完整流程。适合你已经知道哪个 Skill 表现不好。
全量优化：说”优化所有 skills”，跑完整的 Phase 0-3。首次推荐这样做，建立基线后，后续维护成本会低很多。
安装一行命令：
npx skills add alchaincyf/darwin-skill无法访问 GitHub 的话，可以下载 zip 包手动解压到 ~/.claude/skills/darwin-skill/。
和女娲（nuwa）的关系
花叔的两个 Skill 是一对：
nuwa（女娲）——生产新 Skill。你描述你想要什么能力，女娲帮你蒸馏出一个 SKILL.md。
darwin（达尔文）——让已有 Skill 进化。Skill 写好之后，持续评估、改进、验证。
两者互为上下文：nuwa 造出来的 Skill，可以直接交给 darwin 跑基线评估，发现刚出炉的 Skill 哪里还有漏洞。
→ 相关页面：Skill 蒸馏 · 让 AI 帮你写出自己的 Skill（花叔 nuwa）
门槛说实话
这个比 nuwa 难。
nuwa 的门槛是：你能描述清楚自己想要什么能力。darwin 的门槛是：你得有几个 Skill 在用，还要有 git 基础（知道什么是 commit、revert），还要能理解”8 维度评分”这套逻辑。
如果你刚开始接触 Skill，建议先用 nuwa 把第一个 Skill 搭起来，用一段时间之后，再回来考虑 darwin。
如果你已经有一批 Skill、想知道它们质量怎么样、哪些值得花时间改——darwin 是目前最系统的答案。
来源：花叔 darwin-skill 仓库 · /Users/chenbin/Documents/Personal Kingdom/知识库/素材_AI使用/人物/花叔/github-mirror/darwin-skill/ · 编译日期 2026-04-21