达尔文 Skill

问题在哪

很多 Agent 技能的 SKILL.md 只靠「写得像文档」来迭代：结构是否规范、步骤是否齐全，但改完以后实际跑出来的效果有没有变好往往没人测。纯 LLM-as-judge 打结构分，论文与实测都表明准确率接近抛硬币；没有失败分支、没有「不要做什么」、措辞全是「建议/视情况而定」，模型执行时也容易跑偏。Darwin Skill 针对的是：在不动技能「做什么」的前提下，用可复现的评估 + 实测 + 人类确认，只保留有证据的改进。

怎么工作

核心理念是 评估 → 改进 → 实测验证 → 人类确认 → 保留或回滚 → 成果卡片，借鉴 Karpathy autoresearch 的单一可编辑资产（每次只改一个 SKILL.md）和棘轮机制。

• 双重评估：结构侧用 9 维 Rubric（总分 100），吸收 SkillLens 的 frontmatter、失败模式编码、检查点、可执行具体性、反例黑名单等；效果侧用 2～3 个典型用户 prompt，子 Agent 带 skill / 不带 skill 对比，对应维度 8「实测表现」。
• 评分独立：打分走子 Agent，避免同上下文「自改自评」；改进后总分须严格高于基线才保留，回滚用 git revert 而非硬 reset。
• Runtime 中立：Phase 1 会做红灯扫描，避免文案把 skill 绑死在单一运行时，导致其它兼容环境拒装。
• 人在回路：基线评分卡、探索性重写等关键节点有 CHECKPOINT，用户确认后再进入下一轮优化。

流程上含 Phase 0.5 设计并确认测试 prompt、Phase 1 基线、Phase 2 按弱项逐维优化（每轮尽量只动一个维度）、Phase 3 汇总；结果写入 results.tsv（含 full_test / dry_run 的 eval_mode）。

边界与注意

• 不改核心用途、不新增依赖；优化后 SKILL.md 体积不宜超过原文约 150%。
• 子 Agent 不可用时会 dryrun 推演维度 8；dryrun 比例过高时实测维度可信度下降，重要决策仍应人审。
• Rubric 能识别明显退化，细粒度分差仍不可全信；连续两轮几乎不涨分会触发触顶退出或提议探索性重写，需用户同意。
• 文档中的成果卡片、截图脚本等属于工作流附属物，依赖本 skill 自带的 templates/ 与 scripts/ 路径约定。