EvoSkill · 自进化引擎

它解决的问题

普通 Skill 写完就冻结了。实际使用中，输出不完整、用户反复追问、手动改写结果这类信号，要么没人记录，要么记在聊天记录里很快被淹没。由此产生两种典型失败：一种是「觉得 Skill 不好用，随手改 prompt」，改完没有任何验证，下次出问题也说不清是哪次改动引入的；另一种是 Skill 从未被复盘，同类错误反复出现。EvoSkill 的目标是把「单次运行的隐性反馈」沉淀成「可追溯、可验证的进化决策」，而不是又一个让人改着改着就失控的配置文件。

核心能力

• 运行记忆库：为任意 Skill 初始化 memory/，用隐式信号记录每次执行，不需要 1–5 分评分。followup_count、user_rewrite、regenerate、session_end_after 按实际情况传入，缺省省略。
• L1–L2–L3 分层反思：借鉴 Reflexion，用语言反思替代梯度更新。运行满 10 次或用户明确要求时，读取 templates/reflection.md 跑完 L1→L2→L3 产出反思摘要；L1 未发现错误时按 MP-04 做零错误降级。
• diff 提案：改进以补丁形式给出而非重写文件，便于审查与回滚。
• 盲评验证：A/B 影子评估，评估者不知道哪一版是改进版，胜率 ≥ 0.6 才标记 validated。该阈值来自 Self-Refine 论文报告的 5 轮迭代后收敛胜率。
• 人在环中应用：绝不自动写入。apply 前重新读取目标文件、校验 diff 上下文是否仍匹配，不匹配则拒绝并提示重新反思；同时在 memory/.bak.<skill>.md 保留备份。
• 报告闭环：进化结果写回记忆库，形成可追溯日志。

存储基于 SQLite + markdown，零外部服务。

需要注意的地方

• 反思需要样本量：少于 10 次运行不触发反思，冷启动阶段证据不足。
• 盲评有方差：用例少时胜率不稳定，建议用 --include-failures 分层采样补齐失败样本。
• LLM 在环意味着成本与延迟：反思、提案、盲评都由模型读取模板与记忆文件完成，evolver.py 只做持久化、不调用 LLM。
• 无法跨机协作：零外部服务的代价是记忆库绑定本地文件，多台机器的运行记录不会自动合并。
• GEO 规则较重：输出结构、引用格式、时效声明均为强制要求，接入业务 Skill 前需评估是否适合自己的场景。