達爾文.skill 2.0正式開源發佈！讓你的所有skill左腳踩右腳實現自我進化
整理版優先睇
達爾文.skill 2.0 開源發佈：用微軟論文升級，讓 skill 自我進化，平均漲 15 分
呢篇文章係作者自身經驗分享，佢係一個活躍嘅 skill 開發者，寫咗大量業務同人物視角嘅 skill，但遇到人手審稿唔可行嘅問題。為咗令 skill 可以自我迭代，佢整咗達爾文 (darwin-skill) 呢個工具，核心係用多維度評分、逐維度改進、分數唔漲就回滾嘅工程流程，1.0 版本跑咗 40 次優化，平均提升 13.5 分，零回滾。
之後微軟研究院同日出咗兩篇論文（SkillLens 同 SkillOpt），揭示咗單一 AI 評委得 46.4% 準確率，同埋提出「驗證通過先接受」嘅原則。作者吸收呢兩篇論文精華，升級做達爾文 2.0：將評分標準由 8 維加到 9 維（包括失敗模式編碼、可執行具體性、高風險行動黑名單），強化驗證機制（多評委獨立審查、早停、幹跑告警），仲加入 human in the loop 嘅人工卡口，避免全自動失控。
整體結論係：達爾文 2.0 係面向個人開發者嘅輕量 skill 優化器，唔需要 benchmark，靠 rubric 打分，關鍵決策留畀人，仲有反例黑名單幫手避開常見地雷。作者用自己嘅 skill 生態做實測，優化近 30 個 skill，平均漲 15 分，其中一個 steve-jobs-perspective 更係單輪 +30 分。文章最後比較咗達爾文同 SkillOpt 嘅適用場景，並提供開源倉庫連結。
- 達爾文 1.0 用多維評分、逐維改進、分數唔漲自動回滾，跑 40 次平均提升 13.5 分，0 回滾；但單 AI 評委準確率得 46.4%，比掟銀仔仲差。
- 微軟 SkillLens 論文揭示三個關鍵評分維度（失敗模式編碼、可執行具體性、高風險行動黑名單）可將準確率由 46.4% 提升到 73.8%。
- 微軟 SkillOpt 論文提出「skill 文檔係外部可訓練狀態」嘅隱喻，並驗證「驗證通過才接受」機制喺 52 個組閤中都最強或並列最強。
- 達爾文 2.0 升級重點：評分標準 9 維（吸收 SkillLens 藥方）、多評委獨立審查、早停機制、human in the loop 人工卡口，避免全自動導致文檔失控。
- 實測近 30 個 skill，平均漲 15 分，最勁 steve-jobs-perspective 單輪 +30 分；自指評估達爾文自己都發現盲區，修復後從 86.05 升到 92.7。
達爾文.skill 2.0 GitHub 倉庫
MIT 協議開源嘅 darwin-skill 倉庫，包含完整嘅 skill 優化器實作，可以用嚟畀你嘅 agent 安裝然後優化任何 skill。
1.0 嘅成功同隱憂
作者寫咗大量 skill，公眾號、小紅書、視頻腳本、配圖、調研，仲有 21 個人物視角嘅 skill，形成一個小生態。但 skill 一多，人手審稿就搞唔掂，每條 skill 都要通讀、揾問題、改完再讀，根本唔可行。
核心思路係將 skill 迭代變成可重複嘅工程流程：多維度評分標準、每輪只改最低維度、分數冇漲自動回滾、寫 skill 嘅 AI 同評分嘅 AI 分開、低風險改動可以行幹跑模式。
跑咗一個月，平均漲 13.5 分，0 回滾。但作者心知呢個 0 回滾唔完全代表演算法神準，因為評分標準定得幾嚴，結果就有幾嚴。直到微軟兩篇論文出現，指明咗方向。
微軟兩篇論文嘅震撼
5 月 22 號微軟研究院同復旦、上交聯合掛咗兩篇姊妹論文：SkillLens 研究 skill 點樣評估，SkillOpt 研究 skill 點樣優化。一評一改，啱啱好封死「會進化嘅 skill」嘅兩端。
- 1 失敗模式編碼：skill 唔可以只寫「正確流程係咩」，要寫清楚「咩情況會出錯、出錯走邊條分支」。
- 2 可執行具體性：唔準用「建議」「可以考慮」「根據情況」「靈活把握」「視情況而定」呢啲軟化措辭。
- 3 高風險行動黑名單：skill 必須有個獨立章節話畀模型「絕對唔可以做啲咩」。
SkillOpt 更顛覆：直接話「skill 文檔應該被當成 frozen 模型嘅外部可訓練狀態，好似神經網絡嘅權重咁，透過反向傳播嚟優化」。
佢嘅優化循環有四階段：跑任務、覆盤、提議改動、驗證通過先接受。最後一步係關鍵：驗證唔過就拒絕寫入，呢個同達爾文 1.0 嘅「分數冇漲自動回滾」係同一個核心思想，只係數學嚴謹性上對方更紮實。
達爾文 2.0 嘅升級重點
吸收 SkillLens 嘅評分維度，將評分標準從 8 維升級到 9 維：失敗模式編碼、可執行具體性、高風險行動黑名單直接加入。
強化驗證機制：每輪啟動兩個獨立評委，共識分數先算數；下一輪啟用全新評委，避免錨定效應；分數入平台期自動停手；幹跑比例過 30% 強制告警，要行實測驗證。
加入 human in the loop，將流程切成階段，每個階段都有顯性人工卡口：基線評估要人工審報告，單維度優化有 CHECKPOINT 強制暫停等確認，迴歸測試有 STOP 強制停手。
實測驗證：真實 skill + 自指評估
作者揀咗 huashu-gpt-image 做小白鼠，368 行嘅 skill。啟動兩個獨立評委，基線共識 80.8 分，最低維度係失敗模式。按規則只改失敗模式，新增「失敗模式與兜底樹」章節，文件從 368 行加到 449 行。
啟動兩個全新評委重評，共識 91.5 分，漲咗 10.7 分。失敗模式維度從 6.5 飆到 10 分滿分。有意發現「工作流」維度都自動從 7.5 跳到 9.0，反映維度相關簇嘅規律。
再攻第二低，加咗「單圖工作流」，新評委共識 91.65，只漲 0.15 分，早停機制觸發停手。然後作者做咗個有趣實驗：用 2.0 評估達爾文自己嘅 SKILL.md。兩個獨立評委俾出 86.05 分，並指出三處問題：版本描述未同步、檢查點冇顯性標記、軟化措辭超標。呢啲係寫規則嘅結構性盲區。
修復後再評：86.05 → 92.05。呢個遞歸案例證明工具唔單止優化提示詞，仲可以優化寫提示詞嘅方法論本身。
- 優化近 30 個 skill，平均漲幅 +15 分，最勁 steve-jobs-perspective 單輪 +30 分。
- 每個 skill 嘅優化都有完整 git commit 鏈可回溯，validation 冇過嘅改動自動 revert，human in the loop 檢查點全部行過。
- 作者直觀感受成個女媧生態嘅輸出質量有肉眼可見提升。
達爾文同 SkillOpt 嘅分工，同埋適用場景
達爾文同 SkillOpt 唔係替代關係，係分工。SkillOpt 係更系統、嚴格嘅工程方案，全自動、benchmark-driven，適合企業級、能定義清晰評估函數嘅場景。
達爾文 2.0 係面向個人開發者嘅輕量方案，rubric-driven，唔需要寫 benchmark，自動化策略加 human in the loop 雙引擎，適合主觀評估為主嘅場景，例如寫作、內容、風格類 skill。
- 1 唔需要 benchmark：用 rubric 打分，適合冇客觀 metric 嘅場景。
- 2 強制 human in the loop：每個 CHECKPOINT 等用戶確認，關鍵決策唔交畀 AI。
- 3 多評委獨立審查：每輪新評委避免錨定，對齊 SkillLens 嘅 73.8% 準確率藥方。
- 4 維度相關簇識別：發現「改一維帶動一簇」嘅結構規律，減少冗餘優化。
- 5 反例黑名單驅動：8 條來自真實踩坑，唔係空想。
作者總結：如果你做企業級、能定義 benchmark 嘅 skill 優化，用 SkillOpt。如果你做個人 skill 生態，需要快速迭代、可讀、可控、有人工卡口，用達爾文 2.0。
我前排喺GitHub上開源咗一個幾得意嘅skill，叫達爾文(darwin-skill)。
佢做嘅嘢好簡單：幫其他skill打分、提改進方案、改完再打分，分數冇升就回滾。成個流程好似生物進化，一代代變異、被揀選、淘汰，留下嚟嘅都係更強嘅版本。skill本身係靜態文件，加咗達爾文之後可以自己迭代自己。
上線一個月，跑咗40次優化，平均提升13.5分，0次回滾。
成績幾好。但係5月22號微軟研究院同一日掛咗兩篇論文，正面解決skill優化呢件事。呢兩篇論文令我意識到達爾文仲可以做得更嚴、更強。所以我吸收咗兩篇論文嘅精華做咗一次大升級，呢個就係達爾文2.0，可能係目前面向個人開發者最完整嘅skill優化器。
呢篇文章想講清楚三件事：微軟兩篇論文講咗啲乜、達爾文2.0吸收咗啲乜、佢喺咩情況下值得用。
1.0已經做啱嘅事
先簡單講下1.0點解有用。
我做skill大半年喇。公眾號、小紅書、視頻腳本、配圖、調研，各種業務流程都封裝成咗skill。加上21個人物視角嘅skill，已經係個小生態。
skill一多人工審稿就頂唔順。每個skill都要睇曬、揾問題、改完再睇，人力上唔可行。但你又唔可以唔理，一個寫規則嘅文件自己都冇人睇住，會慢慢漂移。
所以我整咗達爾文。核心思路係將skill迭代變成可重複嘅工程流程：多維度評分標準、每輪只改最低維度、分數冇升自動回滾、寫skill嘅AI同評分嘅AI分開、低風險改動容許幹跑模式。
跑咗一個月，平均升咗13.5分，0回滾。
但我心知呢個0回滾唔完全代表算法神準。評分標準定得有幾嚴，結果就有幾嚴。我嗰套8維標準已經算嚴格，但仲有改進空間。
直到5月22號嗰兩篇論文出現，將方向指咗俾我。
微軟同一日掛嘅兩篇論文
5月22號，微軟研究院同復旦、上交聯合喺arXiv掛咗兩篇論文，互為姊妹篇。
一篇是《From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills》(arXiv 2605.23899，項目代號SkillLens)，研究skill應該點樣被評估。
另一篇係《SkillOpt: Executive Strategy for Self-Evolving Agent Skills》(arXiv 2605.23904)，研究skill應該點樣被優化。
一前一後，一評一改，啱啱好將「會進化嘅skill」呢件事從兩邊封死。我先講SkillLens呢篇，再講SkillOpt。
SkillLens：等AI幫skill打分，準確率得46.4%
SkillLens入面有個數據令我背脊一涼：叫一個AI做評判，畀兩份skill打分揀邊份好啲，準確率得46.4%。
46.4%仲差過擲銀仔3.6個百分點。即係話喺鬆散嘅評分標準下，AI評判嘅判斷基本上唔可信。你跑出嚟嘅優化睇落好似升咗分，實際上可能只係評判喺度隨機搖骰仔。
但係論文畀咗藥方。研究團隊發現，只要喺評分標準度加三個關鍵維度，準確率可以從46.4%升到73.8%
失敗模式編碼：skill唔可以只寫「正確流程係乜」，一定要寫清楚「咩情況下會出錯、出錯咗行邊條分支」 可執行具體性：「建議」「可以考慮」「根據情況」「靈活把握」「視情況而定」呢啲說話全部唔可以寫。要咪明確，要咪唔寫 高風險行動黑名單：skill一定要有獨立嘅章節話俾個模型知「絕對唔可以做啲乜」
73.8%其實都唔算高，每4次決策仲係錯1次。但相比46.4%係27個百分點嘅飛躍。
SkillOpt：將skill當成神經網絡嘅可訓練參數
SkillOpt更狠。佢直接話：skill文件應該被當成frozen模型嘅「外部可訓練狀態」，好似神經網絡嘅權重咁，通過反向傳播嚟優化。
呢句話聽落好玄，翻成大白話就係：叫個模型跑一批真實任務、睇下邊啲skill版本表現好啲、保留好嘅版本、淘汰差嘅版本。分別在於被「訓練」嘅唔係模型權重，係skill文件本身嘅文字內容。
佢嘅優化循環有四個階段：
跑任務：叫目標模型用當前skill去跑一批真實任務，生成帶分數嘅軌跡 覆盤：另一個獨立嘅優化器模型分析成功同失敗嘅批次，識別可複用嘅規律 提議改動：喺「文本編輯預算」約束下（控制每輪改幾多字），提議skill文件嘅加/刪/改操作 驗證通過先接受：只有當留出嘅測試集分數嚴格提升，改動先會被接受；否則拒絕
最後一步係關鍵。驗證唔通過就拒絕寫入，呢個係將神經網絡訓練裏面「梯度方向必須降低loss」嘅原則，搬咗去文本空間。
論文測咗6個benchmark × 7個模型 × 3個執行環境（直接對話/Codex/Claude Code）總共52個組合。根據論文測試結果，SkillOpt喺全部52個組合入面都最強或並列最強。喺GPT-5.5上，SkillOpt生成嘅skill比「冇skill」提升咗23.5分（直接對話）、24.8分（Codex）、19.1分（Claude Code）。
佢擊敗嘅對手包括人手寫嘅skill、一次性LLM生成嘅skill，以及TextGrad、GEPA、EvoSkill等之前嘅prompt優化方法（以上均為論文測試基線）。
睇完呢篇論文我有兩個反應。
第一個反應係震撼。「skill好似神經網絡權重咁可訓練」係個好深刻嘅隱喻。佢將skill從「文件」重新定義成「外部狀態」，將skill優化從「人手調整」變成「可重複、有數學保障嘅工程流程」。
第二個反應係欣慰。SkillOpt嘅「驗證通過先接受」機制，同達爾文1.0嘅「分數冇升自動回滾」係同一個核心思想：驗證唔過就拒絕。呢件事我同微軟同時獨立做出嚟，只係數學嚴謹性上對方紮實啲。
達爾文2.0：吸收兩篇論文精華
明白咗兩篇論文之後，達爾文2.0嘅升級方向就好清楚：
吸收SkillLens嘅評分維度，令評估更嚴格。 對齊SkillOpt嘅「驗證通過先接受」設計，令優化更可靠。 加入SkillOpt冇嘅human in the loop，令流程喺個人開發者場景下可控。
評分標準從8維升級到9維（直接吸收SkillLens嘅73.8%藥方）
原本嘅「錯誤處理」維度改名做失敗模式編碼，要求寫出「如果X發生就做Y；否則做Z」嘅明確分支 原本嘅「明確性」維度改名做可執行具體性，明文禁止嗰五個軟化措辭，出現三處以上扣三分 新增第九維高風險行動黑名單，要求skill一定要有獨立嘅「唔好做啲乜」章節
權重做咗微調，讓位俾新維度。
強化驗證機制（對齊SkillOpt + 加多評委獨立設計）
之前1.0嘅回滾機制比較簡單：總分冇升就回滾。2.0細化成多層驗證：
多評委獨立審查：每輪啟動兩個獨立評委，共識分數先至算數（呢個係達爾文嘅獨立設計。SkillLens論文驗證嘅係單評委+新rubric嘅73.8%準確率，多評委係額外加固機制，唔係論文方法嘅複述） 評委員唔重用：下一輪啟動兩個全新評委，避免錨定效應 早停機制：分數進入平台期（單輪升幅<1分）自動停手，避免為湊分而堆冗餘 幹跑模式控制：幹跑比例超過30%自動告警，強制行實測驗證
加入human in the loop（達爾文區別於SkillOpt嘅核心）
呢個係達爾文同SkillOpt最大嘅分別，亦係個人開發者最需要嘅能力。
SkillOpt係benchmark-driven嘅全自動流程。你掉一堆任務同評分函數入去，佢跑一晚就吐出一個最佳skill出嚟。呢個範式適合企業級、能定義清晰評估函數嘅場景。
但對個人開發者，benchmark本身就難定義。一個公眾號寫作skill，你點寫benchmark？最終評估往往係「我自己讀落順唔順」「讀者反應好唔好」呢啲主觀維度，冇辦法塞入自動循環入面。
所以達爾文2.0將流程切成階段，每個階段都有明確嘅人工卡口：
第一階段基線評估：自動跑評委打分，人工審報告決定改啲乜 第二階段單維度優化：自動改最低維度，🔴 CHECKPOINT強制暫停等用戶確認改動方向 第二階段半測試提示詞跑（可選）：自動跑實測，人工睇測試結果 第三階段迴歸測試：啟動新評委重評，🛑 STOP升幅低於閾值強制停手
每個🔴/🛑都係顯性嘅人工介入點。流程可以自動跑，但關鍵決策永遠交返俾人。呢個避免咗「跑咗一晚結果文件面目全非」嘅悲劇。
引入反例黑名單（論文要求 + 真實踩坑）
新增「反例黑名單」章節，八條嚟自我跑40次優化儲落嚟嘅實戰反模式：
同一個AI又改又評（SkillLens 46.4%印證） 用「git reset --hard」做回滾手段（應該用git revert） 為湊分而塞冗落入文件度 跳過測試提示詞直接評分 一輪內改多個維度 幹跑模式比例超過30% 靜默跳過異常 忽視維度相關簇
論文話你知反例黑名單好重要，但具體反例一定要嚟自實操。
呢個係論文畀唔到你嘅嘢。
拎真實skill嚟驗證2.0
升級完之後我要驗證佢真係更強，唔係從一個偏差換到另一個偏差。
我揀咗huashu-gpt-image做白老鼠。呢個係我自己寫嘅一個skill，用嚟調GPT-image-2生圖，368行，日常用得最多。
測試設計嘅關鍵係多評委獨立審查。啟動兩個獨立嘅AI評委，佢哋彼此唔知道對方存在，亦唔知道我之後會點改。
基線共識80.8分。兩個評委獨立指出咗相同嘅最低維度：失敗模式。
按規則每輪只改最低維度，改咗四處，新增「失敗模式與兜底樹」一整章。
文件從368行升到449行。
啟動兩個全新評委（唔重用之前兩個，避免錨定效應）重評。
共識91.5，升咗10.7分。失敗模式嗰一維從6.5飆到10分滿分。
有件事我冇諗到。我只係改咗失敗模式，「工作流」嗰一維竟然從7.5跳到9.0。我冇掂過呢一維㗎？
諗清楚之後大概明咗。失敗模式要求寫出「如果X就做Y」嘅明確分支，寫咗出嚟之後流程自然變清楚。工作流、檢查點、失敗模式三維唔係獨立維度，佢哋係一簇，改一個會帶動隔籬嘅。
呢個係2.0新發現嘅規律：維度相關簇。
至於點解會有相關簇，我有幾個猜想：可能係評分維度本身設計有重疊；可能係改一處文件帶動咗周邊重構；重有可能係評委嘅心理錨定（見到一處變清楚會順手俾隔籬維度調高分）。我冇辦法分辨，只係測咗一個skill，數據唔夠。呢條經驗已經寫入反例黑名單第八條。
繼續攻第二低，加咗一段「單圖工作流」同原有嘅「批量工作流」對稱。再啟動兩個新評委，共識91.65。
只係升咗0.15。早停機制觸發，停手。
達爾文俾自己打分：理髮師悖論
到呢度2.0已經喺huashu-gpt-image呢個真實skill上證明咗+10.85提升，六個獨立評委共識。理論上可以收工。
但我有個唔係好正經嘅想法：用2.0俾達爾文自己打分會點。
寫規則嘅工具，俾自己寫嘅規則審判。呢個係另一個獨立實驗，對象唔再係huashu-gpt-image，而係達爾文自己嘅SKILL.md。
啟動兩個獨立評委，達爾文自己嘅基線俾出86.05（注意呢個係另一個文件嘅獨立基線，同前面huashu-gpt-image嘅80.8冇可比性）。佢哋不約而同指出三處可以更嚴：
第一處版本管理疏漏。文件描述仲寫住「8維評分標準」，正文已經9維。改完版本唔記得同步描述。
第二處檢查點未顯性標記。達爾文自己嘅第四維明文規定檢查點必須顯性標記（🔴/STOP/CHECKPOINT），但關鍵檢查點全部只用粗體強調，冇一個🔴/STOP。
第三處軟化措辭超標。達爾文第五維明文禁止「建議/可以考慮」等軟化措辭。評委喺我自己嘅文件度搜出四處違規。
我自己定嘅規則，我自己有幾處地方做得唔到位。
呢個唔係馬虎，係寫規則時嘅結構性盲區：作者嘅注意力自然喺「新加嘅規則有冇用」，唔喺「之前寫嘅內容係咪符合新規則」。呢種盲區冇辦法靠「小心啲」避免，因為你睇唔到自己睇唔到嘅嘢。
唯一解決辦法：叫獨立評委用你嘅規則審你。評委唔在意你寫嘅係「自己嘅工具」定係「人哋嘅工具」，佢只係按字面執行規則。
呢個其實係2.0嘅另一個隱性優勢：佢對作者一視同仁。
修完之後，以及一個遞歸發現
修呢三處之後，達爾文自己同步到9維，所有檢查點加上🔴/🛑視覺標記，軟化措辭硬化。再啟動兩個新評委重評：86.05→92.05。最後跟skill寫作最佳實踐將詳細論文證據下沉到子文件夾，主文件從550行精簡到484行，最終92.7。
但寫完上面呢啲之後，我做咗第三個獨立嘅小實驗：叫2.0跑一次huashu-gpt-image嘅skill文件本身（就係幫呢篇文章生成6張配圖嗰個）。
注意呢個同前面嘅「拎真實skill嚟驗證2.0」係兩件事。前面嗰次評嘅係skill入面寫嘅工作流同失敗模式；呢次評嘅係skill文件自身嘅寫作質量同結構（中咗SkillLens論文入面講嘅「文件可讀 ≠ 實際有用」）。兩次基線、目標、維度完全獨立。
理由好實際。寫呢篇文章時叫佢生成配圖，頭兩輪連續炒車。第一輪圖好醜冇風格；第二輪換具名錨定雜誌品牌名，模型直接將品牌名畫入圖度走偏。第三輪我明確話「用品牌資產做墊圖」先一次成功。
事後覆盤係skill文件自身嘅結構問題：冇將「品牌資產做墊圖」當默認操作，反而埋咗喺fallback樹最深處；另外「出版品牌名陷阱」完全冇顯式警告。
叫兩組獨立評委盲評修改前後：65→88（呢個係俾該skill文件自身寫作質量嘅獨立打分，同前面80.8/91.65係唔同維度嘅實驗設置）。
呢個遞歸案例本身就係2.0價值嘅最好證明。工具唔只可以優化生成嘅提示詞，仲可以優化寫提示詞嘅方法論本身。
一個會進化嘅skill，改進咗「如何寫出會進化嘅skill」呢件事。
唔只係個別案例：用2.0掃咗成個 skill 生態
證明2.0好用嘅最直接方式唔係講一兩個case，係叫佢去跑我成個skill庫。
過去幾日，我用2.0一口氣優化咗女媧蒸餾出嚟嘅所有 perspective skill，加上日常使用嘅業務 skill，總共近30個。每個都跑兩輪獨立評委、9維評分、validation-gated回滾。
戰果係咁嘅（摘幾個有代表性嘅）：
steve-jobs-perspective: 64 → 94(+30，單輪搞掂) huashu-weread-advisor: 80出頭 → 91.4 huashu-gpt-image: 80.8 → 91.65（前文實測） darwin-skill: 86.05 → 92.7（自指評估） vibe-coding-mastery / x-mastery-mentor / standup-comedy-god: 全部進入90+
平均升幅 +15分，最勁嘅steve-jobs-perspective單輪+30分。每個skill嘅優化都有完整git commit鏈可以回溯，validation冇過嘅改動全部自動revert，human in the loop檢查點都跑咗一遍。
呢件事最令我感慨嘅唔係分數，係規模感。
一個人維護30幾個skill，以前靠人審係nightmare，而家2.0跑一晚就全部掃一次，人只需要喺每個CHECKPOINT點頭或者搖頭。呢個就係將槓桿做出嚟嘅樣。
跑完之後我有一個直觀感受：成個女媧生態嘅輸出質量，可以用肉眼感知到提升。我自己用每一個skill嘅時候都覺得「啱，呢次佢真係更像嗰個人」，「啱，呢次佢真係將流程講清楚咗」。
呢個係達爾文 1.0 時代我冇辦法做到嘅事。
達爾文同SkillOpt嘅關係，以及佢喺咩情況下值得用
呢一章我想老實講清楚，達爾文同SkillOpt唔係替代關係，係分工。
SkillOpt係更系統、更嚴格嘅工程方案：全自動benchmark-driven，掉任務入去自己跑出最佳skill，數學嚴謹性高，52個測試組合52勝，適合企業級、能定義清晰評估函數嘅場景，適合規模化訓練skill、跨模型遷移。
達爾文2.0係面向個人開發者嘅輕量方案：rubric-driven，按可讀嘅評分標準俾文件打分（唔需要寫benchmark），自動化策略 + human in the loop雙引擎，適合主觀評估為主嘅場景（寫作、內容、風格類skill），適合獨立開發者快速迭代單個skill。
差異化優勢具體喺五處：
唔需要benchmark。SkillOpt依賴能跑分嘅validation set，達爾文用rubric打分，適合冇客觀metric嘅場景 強制human in the loop。每個CHECKPOINT等用戶確認，關鍵決策唔交俾AI 多評委獨立審查。每輪啟動新評委避免錨定，直接對齊SkillLens嘅73.8%準確率藥方 維度相關簇識別。識別「改一維帶動一簇」嘅結構規律，減少冗餘優化 反例黑名單驅動。8條嚟自真實踩坑，唔係空想
如果你做嘅係企業級、能定義benchmark嘅skill優化，用SkillOpt。
如果你做嘅係個人skill生態，需要快速迭代、可讀、可控、有人工卡口，用達爾文2.0。
倉庫喺邊
倉庫地址：https://github.com/alchaincyf/darwin-skill (MIT協議開源，提交編號5bfc6b4)
安裝好簡單：將倉庫連結掉俾你嘅agent，叫佢幫你安裝，然後喺agent度話「跑達爾文優化XX skill」就得。跑一輪基線評估+一輪優化大約15-30分鐘，主要時間喺等評委agent返回。
底層方法論參考：
arXiv 2605.23899《From Raw Experience to Skill Consumption》(項目代號SkillLens)，評分標準升級來源 arXiv 2605.23904《SkillOpt: Executive Strategy for Self-Evolving Agent Skills》，驗證機制對齊來源
如果你都喺度維護一堆skill或者一套prompt，我推薦你試下達爾文2.0。
佢最大嘅價值唔係升嗰十幾分，而係將你嘅注意力從「自己審自己」轉移到「叫獨立評委審」，並將成個流程做成可重複、可回滾、有人工卡口嘅工程。
呢個轉移本身，就係槓桿。
我前陣子在GitHub上開源了一個有點意思的skill,叫達爾文(darwin-skill)。
它做的事情很單純:給別的skill打分、提改進方案、改完再打分,分數沒漲就回滾。整個流程像生物進化,一代代變異、被選擇、淘汰,留下來的都是更強的版本。skill本來是靜態文檔,加了達爾文之後能自己迭代自己。
上線一個月,跑了40次優化,平均提升13.5分,0次回滾。
成績不錯。但5月22號微軟研究院同一天掛了兩篇論文,正面解決skill優化這件事。這兩篇論文讓我意識到達爾文還能做得更嚴、更強。於是我吸收兩篇論文的精華做了一次大升級,這就是達爾文2.0,可能是目前面向個人開發者最完整的skill優化器。
這篇文章想講清楚三件事:微軟兩篇論文講了什麼、達爾文2.0吸收了什麼、它在什麼場景下值得用。
1.0已經做對的事
先簡單說說1.0為什麼管用。
我做skill大半年了。公眾號、小紅書、視頻腳本、配圖、調研,各種業務流程都封裝成了skill。加上21個人物視角的skill,已經是個小生態。
skill一多人工審稿就崩了。每個skill都通讀、找問題、改完再讀,人力上不可行。但你又不能放任不管,一個寫規則的文檔自己都沒人盯着,會慢慢漂移。
所以我做了達爾文。核心思路是把skill迭代變成可重複的工程流程:多維度評分標準、每輪只改最低維度、分數沒漲自動回滾、寫skill的AI和評分的AI分開、低風險改動允許幹跑模式。
跑了一個月,平均漲13.5分,0回滾。
但我心裏清楚這個0回滾不完全代表算法神準。評分標準定得多嚴,結果就有多嚴。我那套8維標準已經算嚴格了,但還有改進空間。
直到5月22號那兩篇論文出現,把方向給我指明瞭。
微軟同一天掛的兩篇論文
5月22號,微軟研究院和復旦、上交聯合在arXiv掛了兩篇論文,互為姊妹篇。
一篇是《From Raw Experience to Skill Consumption: A Systematic Study of Model-Generated Agent Skills》(arXiv 2605.23899,項目代號SkillLens),研究skill應該怎麼被評估。
另一篇是《SkillOpt: Executive Strategy for Self-Evolving Agent Skills》(arXiv 2605.23904),研究skill應該怎麼被優化。
一前一後,一評一改,剛好把「會進化的skill」這件事從兩端封死。我先講SkillLens這篇,再講SkillOpt。
SkillLens:讓AI給skill打分,準確率只有46.4%
SkillLens裏有個數據讓我後背一涼:讓單個AI當評委,給兩份skill打分選哪份更好,準確率只有46.4%。
46.4%比扔硬幣還差3.6個百分點。這意味着在鬆散的評分標準下,AI評委的判斷基本不可信。你跑出來的優化看起來在漲分,實際上可能只是評委在隨機搖骰子。
但論文給了藥方。研究團隊發現,只要在評分標準里加三個關鍵維度,準確率能從46.4%升到73.8%
失敗模式編碼(Failure Mechanism Encoding):skill不能只寫「正確流程是什麼」,必須寫清楚「什麼情況下會出錯、出錯了走哪條分支」 可執行具體性(Actionable Specificity):「建議」「可以考慮」「根據情況」「靈活把握」「視情況而定」這些話全部不能寫。要麼明確要麼不寫 高風險行動黑名單(High-Risk Action Blacklist):skill必須有獨立的章節告訴模型「絕對不要做什麼」
73.8%其實也不算高,每4次決策還是錯1次。但相比46.4%是27個百分點的飛躍。
SkillOpt:把skill當成神經網絡的可訓練參數
SkillOpt更狠。它直接說:skill文檔應該被當成frozen模型的「外部可訓練狀態」,像神經網絡的權重一樣,通過反向傳播來優化。
這句話聽起來很玄,翻成大白話就是:讓模型跑一批真實任務、看哪些skill版本表現更好、保留好的版本、淘汰差的版本。區別在於被「訓練」的不是模型權重,是skill文檔本身的文字內容。
它的優化循環有四個階段:
跑任務(Rollout):讓目標模型用當前skill去跑一批真實任務,生成帶分數的軌跡 覆盤(Reflect):另一個獨立的優化器模型分析成功和失敗的批次,識別可複用的規律 提議改動(Edit):在「文本編輯預算」約束下(控制每輪改多少字),提議skill文檔的增/刪/改操作 驗證通過才接受(Validate):只有當留出的測試集分數嚴格提升,改動才被接受;否則拒絕
最後一步是關鍵。驗證不通過就拒絕寫入,這是把神經網絡訓練裏「梯度方向必須降低loss」的原則,搬到了文本空間。
論文測了6個benchmark × 7個模型 × 3個執行環境(直接對話/Codex/Claude Code)共52個組合。據論文測試結果,SkillOpt在所有52個組合裏都最強或並列最強。在GPT-5.5上,SkillOpt生成的skill比「沒skill」提升23.5分(直接對話)、24.8分(Codex)、19.1分(Claude Code)。
它擊敗的對手包括人工寫的skill、一次性LLM生成的skill,以及TextGrad、GEPA、EvoSkill等之前的prompt優化方法(以上均為論文測試基線)。
讀完這篇論文我有兩個反應。
第一反應是震撼。「skill像神經網絡權重一樣可訓練」是個深刻的隱喻。它把skill從「文檔」重新定義成「外部狀態」,把skill優化從「人工調整」變成「可重複、有數學保障的工程流程」。
第二反應是欣慰。SkillOpt的「驗證通過才接受」機制,和達爾文1.0的「分數沒漲自動回滾」是同一個核心思想:驗證不過就拒絕。這件事我和微軟同時獨立做出來了,只是數學嚴謹性上對方更紮實。
達爾文2.0:吸收兩篇論文精華
明白了兩篇論文之後,達爾文2.0的升級方向就很清楚:
吸收SkillLens的評分維度,讓評估更嚴格。 對齊SkillOpt的「驗證通過才接受」設計,讓優化更可靠。 加入SkillOpt沒有的human in the loop,讓流程在個人開發者場景下可控。
評分標準從8維升級到9維(直接吸收SkillLens的73.8%藥方)
原本的「錯誤處理」維度改名叫失敗模式編碼,要求寫出「如果X發生就做Y;否則做Z」的明確分支 原本的「明確性」維度改名叫可執行具體性,明文禁止那五個軟化措辭,出現三處以上扣三分 新增第九維高風險行動黑名單,要求skill必須有獨立的「不要做什麼」章節
權重做了微調,給新維度讓位。
強化驗證機制(對齊SkillOpt + 加多評委獨立設計)
之前1.0的回滾機制比較簡單:總分沒漲就回滾。2.0細化成多層驗證:
多評委獨立審查:每輪啓動兩個獨立評委,共識分數才算數(這是達爾文的獨立設計。SkillLens論文驗證的是單評委+新rubric的73.8%準確率,多評委是額外加固機制,不是論文方法的複述) 評委不復用:下一輪啓動兩個全新評委,避免錨定效應 早停機制:分數進入平台期(單輪漲幅<1分)自動停手,避免為湊分而堆冗餘 幹跑模式控制:幹跑比例超過30%自動告警,強制走實測驗證
加入human in the loop(達爾文區別於SkillOpt的核心)
這是達爾文跟SkillOpt最大的不同,也是個人開發者最需要的能力。
SkillOpt是benchmark-driven的全自動流程。你扔一堆任務和評分函數進去,它跑一晚上吐一個最佳skill出來。這個範式適合企業級、能定義清晰評估函數的場景。
但對個人開發者,benchmark本身就難定義。一個公眾號寫作skill,你怎麼寫benchmark?最終評估往往是「我自己讀着順不順」「讀者反應好不好」這種主觀維度,沒法塞進自動循環裏。
所以達爾文2.0把流程切成階段,每個階段都有明確的人工卡口:
第一階段基線評估:自動跑評委打分,人工審報告決定改什麼 第二階段單維度優化:自動改最低維度,🔴 CHECKPOINT強制暫停等用戶確認改動方向 第二階段半測試提示詞跑(可選):自動跑實測,人工看測試結果 第三階段迴歸測試:啓動新評委重評,🛑 STOP漲幅低於閾值強制停手
每個🔴/🛑都是顯性的人工介入點。流程能自動跑,但關鍵決策永遠交回給人。這避免了「跑了一晚上結果文檔面目全非」的悲劇。
引入反例黑名單(論文要求 + 真實踩坑)
新增「反例黑名單」章節,八條來自我跑40次優化攢下來的實戰反模式:
同一個AI又改又評(SkillLens 46.4%印證) 用「git reset --hard」當回滾手段(應該用git revert) 為湊分而往文檔裏塞冗餘 跳過測試提示詞直接評分 一輪內改多個維度 幹跑模式比例超過30% 靜默跳過異常 忽視維度相關簇
論文告訴你反例黑名單很重要,但具體反例必須來自實操。
這是論文給不了你的東西。
拿真實skill來驗證2.0
升級完之後我得驗證它真的更強,不是從一個偏差換到另一個偏差。
我挑了huashu-gpt-image做小白鼠。這是我自己寫的一個skill,用來調GPT-image-2生圖,368行,日常用得最多。
測試設計的關鍵是多評委獨立審查。啓動兩個獨立的AI評委,它們彼此不知道對方存在,也不知道我接下來要怎麼改。
基線共識80.8分。兩個評委獨立指出了相同的最低維度:失敗模式。
按規則每輪只改最低維度,改了四處,新增「失敗模式與兜底樹」一整章。
文件從368行漲到449行。
啓動兩個全新評委(不復用之前兩個,避免錨定效應)重評。
共識91.5,漲了10.7分。失敗模式那一維從6.5飆到10分滿分。
有件事我沒想到。我只改了失敗模式,「工作流」那一維居然從7.5跳到9.0。我沒碰這一維啊?
想清楚之後大概懂了。失敗模式要求寫出「如果X就做Y」的明確分支,寫出來之後流程自動變清晰。工作流、檢查點、失敗模式三維不是獨立維度,它們是一簇,改一個會帶動相鄰的。
這是2.0新發現的規律:維度相關簇。
至於為什麼會相關簇,我有幾個猜想:可能是評分維度本身設計有重疊;可能是改一處文檔帶動了周邊重構;還可能是評委的心理錨定(看到一處變清晰會順手給相鄰維度調高分)。我沒辦法分辨,只測了一個skill,數據不夠。這條經驗已經寫進反例黑名單第八條。
繼續攻第二低,加了一段「單圖工作流」與原有的「批量工作流」對稱。再啓動兩個新評委,共識91.65。
只漲了0.15。早停機制觸發,停手。
達爾文給自己打分:理髮師悖論
到這裏2.0已經在huashu-gpt-image這個真實skill上證明了+10.85提升,六個獨立評委共識。理論上可以收工。
但我有個不太正經的想法:用2.0給達爾文自己打分會怎樣。
寫規則的工具,被自己寫的規則審判。這是另一個獨立實驗,對象不再是huashu-gpt-image,而是達爾文自己的SKILL.md。
啓動兩個獨立評委,達爾文自己的基線給出86.05(注意這是另一個文件的獨立基線,跟前面huashu-gpt-image的80.8沒有可比性)。它們不約而同指出三處可以更嚴:
第一處版本管理疏漏。文檔描述還寫着「8維評分標準」,正文已經9維。改完版本忘記同步描述。
第二處檢查點未顯性標記。達爾文自己的第四維明文規定檢查點必須顯性標記(🔴/STOP/CHECKPOINT),但關鍵檢查點全部只用粗體強調,沒有一個🔴/STOP。
第三處軟化措辭超標。達爾文第五維明文禁止「建議/可以考慮」等軟化措辭。評委在我自己的文檔裏搜出四處違規。
我自己定的規則,我自己幾處地方做得不到位。
這不是馬虎,是寫規則時的結構性盲區:作者的注意力天然在「新加的規則有沒有用」,不在「之前寫的內容是否符合新規則」。這種盲區沒辦法靠「小心一點」避免,因為你看不見自己看不見的東西。
唯一解決辦法:讓獨立評委用你的規則審你。評委不在乎你寫的是「自己的工具」還是「別人的工具」,它只按字面執行規則。
這其實是2.0的另一個隱性優勢:它對作者一視同仁。
修完之後,以及一個遞歸發現
修這三處之後,達爾文自己同步到9維,所有檢查點加上🔴/🛑視覺標記,軟化措辭硬化。再啓動兩個新評委重評:86.05→92.05。最後按skill寫作最佳實踐把詳細論文證據下沉到子文件夾,主文檔從550行精簡到484行,最終92.7。
但寫完上面這些之後,我做了第三個獨立的小實驗:讓2.0跑一次huashu-gpt-image的skill文檔本身(就是給這篇文章生成6張配圖那個)。
注意這跟前面的「拿真實skill來驗證2.0」是兩件事。前面那次評的是skill裏寫的工作流和失敗模式;這次評的是skill文檔自身的寫作質量和結構(命中SkillLens論文裏說的「文檔可讀 ≠ 實際有用」)。兩次基線、目標、維度完全獨立。
理由很實際。寫這篇文章時讓它生成配圖,前兩輪連續翻車。第一輪圖很醜沒風格;第二輪換具名錨定雜誌品牌名,模型直接把品牌名畫進圖裏跑偏。第三輪我明確說「用品牌資產作墊圖」才一次成功。
事後覆盤是skill文檔自身的結構問題:沒把「品牌資產作墊圖」當默認操作,反而埋在fallback樹最深處;另外「出版品牌名陷阱」完全沒顯式警告。
讓兩組獨立評委盲評修改前後:65→88(這是給該skill文檔自身寫作質量的獨立打分,跟前面80.8/91.65是不同維度的實驗設置)。
這個遞歸案例本身就是2.0價值的最好證明。工具不只能優化生成的提示詞,還能優化寫提示詞的方法論本身。
一個會進化的skill,改進了「如何寫出會進化的skill」這件事。
不只是個例:用2.0掃了整個 skill 生態
證明2.0好用的最直接方式不是講一兩個case,是讓它去跑我整個skill庫。
過去幾天,我用2.0一口氣優化了女媧蒸餾出來的所有 perspective skill,加上日常使用的業務 skill,總共近30個。每個都跑兩輪獨立評委、9維評分、validation-gated回滾。
戰果是這樣的(摘幾個有代表性的):
steve-jobs-perspective: 64 → 94(+30,單輪搞定) huashu-weread-advisor: 80出頭 → 91.4 huashu-gpt-image: 80.8 → 91.65(前文實測) darwin-skill: 86.05 → 92.7(自指評估) vibe-coding-mastery / x-mastery-mentor / standup-comedy-god: 全部進入90+
平均漲幅 +15分,最猛的steve-jobs-perspective單輪+30分。每個skill的優化都有完整git commit鏈可回溯,validation沒過的改動全部自動revert,human in the loop檢查點都跑了一遍。
這件事最讓我感慨的不是分數,是規模感。
一個人維護30多個skill,過去靠人審是nightmare,現在2.0跑一晚上全掃一遍,人只需要在每個CHECKPOINT點頭或搖頭。這就是把槓桿做出來的樣子。
跑完之後我有一個直觀感受:整個女媧生態的輸出質量,可以肉眼感知到提升。我自己用每一個skill的時候都覺得"對,這次它真的更像那個人了""對,這次它真的把流程講清楚了"。
這是達爾文 1.0 時代我沒能做到的事。
達爾文跟SkillOpt的關係,以及它在什麼場景下值得用
這一章我想老實講清楚,達爾文跟SkillOpt不是替代關係,是分工。
SkillOpt是更系統、更嚴格的工程方案:全自動benchmark-driven,扔任務進去自己跑出最佳skill,數學嚴謹性高,52個測試組合52勝,適合企業級、能定義清晰評估函數的場景,適合規模化訓練skill、跨模型遷移。
達爾文2.0是面向個人開發者的輕量方案:rubric-driven,按可讀的評分標準給文檔打分(不需要寫benchmark),自動化策略 + human in the loop雙引擎,適合主觀評估為主的場景(寫作、內容、風格類skill),適合獨立開發者快速迭代單個skill。
差異化優勢具體在五處:
不需要benchmark。SkillOpt依賴能跑分的validation set,達爾文用rubric打分,適合沒有客觀metric的場景 強制human in the loop。每個CHECKPOINT等用戶確認,關鍵決策不交給AI 多評委獨立審查。每輪啓動新評委避免錨定,直接對齊SkillLens的73.8%準確率藥方 維度相關簇識別。識別「改一維帶動一簇」的結構規律,減少冗餘優化 反例黑名單驅動。8條來自真實踩坑,不是空想
如果你做的是企業級、能定義benchmark的skill優化,用SkillOpt。
如果你做的是個人skill生態,需要快速迭代、可讀、可控、有人工卡口,用達爾文2.0。
倉庫在哪
倉庫地址:https://github.com/alchaincyf/darwin-skill (MIT協議開源,提交編號5bfc6b4)
安裝很簡單:把倉庫連結丟給你的agent，讓它幫你安裝，然後在agent裏說「跑達爾文優化XX skill」即可。跑一輪基線評估+一輪優化大約15-30分鐘,主要時間在等評委agent返回。
底層方法論參考:
arXiv 2605.23899《From Raw Experience to Skill Consumption》(項目代號SkillLens),評分標準升級來源 arXiv 2605.23904《SkillOpt: Executive Strategy for Self-Evolving Agent Skills》,驗證機制對齊來源
如果你也在維護一堆skill或者一套prompt,我推薦試一下達爾文2.0。
它最大的價值不是漲那十幾分,而是把你的注意力從「自己審自己」轉移到「讓獨立評委審」,並把整個流程做成可重複、可回滾、有人工卡口的工程。
這個轉移本身,就是槓桿。