技能介绍

解决什么问题

手动做代码迭代优化时，常面临几个痛点：一是「凭感觉改」——没有可量化的指标判断改动是否有效，容易陷入「改了→崩了→回滚→再改」的低效循环；二是「历史断层」——上一轮实验改了哪里、结果如何，全靠记忆或散落的 commit，容易重复踩坑；三是「验证靠人」——每次改动后手动跑测试、盯指标，耗时且容易漏过边界问题。AutoEvolve 针对这些痛点，把「约束 + 可量化指标 + 自主迭代」的思路固化为可重复的执行流程。

工作原理

核心引擎 autoevolve 采用 6 步闭环：先通过 gm.analyze_experiments() 回顾历史状态，再基于数据选择原子级改动，执行后调用 vr.run_full_verify() 做机械验证（需匹配 metric_pattern 和 guard_cmd），失败则自动 gm.rollback()，成功后记录迭代结果并进入下一轮。六大子模块各有分工：plan 引导用户明确目标、量化指标；debug 用二分查找、最小复现等 7 种技术定位 Bug；fix 按优先级逐个修复；review 从 5 个视角审查代码；learn 把迭代经验沉淀为文档。

模块间可通过 Chain 串联，比如 plan → review → debug → fix → learn 组成上线前质量保障流程。前一模块输出到 .autoevolve/results/{module}.json，后一模块读取作为输入，.autoevolve/chain-state.json 记录进度并支持断点续跑。八条铁律保证迭代可控，例如「一次一改」「只信机械验证」「Git 即记忆」。

适用边界

该技能依赖项目具备明确的可量化指标（如性能、测试覆盖率），且需要配合 Git 使用（所有实验以特定前缀提交）。更适合有明确优化目标的场景，比如「将接口响应时间降至 200ms 以内」，而非模糊的「优化代码」。机械验证要求预先配置 verify_cmd 与 metric_pattern，接入初期有一定成本。