让你的Skill自己卷自己：达尔文.skill 把 Autoresearch 思路搬进 AI Agent 技能优化

你有没有这种感觉——好不容易写了一个 Skill，跑起来却发现效果差强人意，改来改去也不知道到底改进了没有？

最近发现一个项目，叫「达尔文.skill」，作者把 Karpathy 的 autoresearch 思路搬到了 Skill 优化上。它能自动评估你的 Skill 哪里不行、只改一个维度、跑验证、通过就保留、不通过就回滚——整个过程像训练模型一样可量化。

核心机制：三步走

整个系统其实就三句话：

• 评估：9 维评分体系（结构质量 + 实际效果），满分 100
• 改进：每次只改一个维度，启动独立子 agent 打分，不自己改自己评
• 棘轮：只保留分数上涨的修改，退步一律 revert，分数只升不降

有意思的是「人在回路」设计——每轮优化完会强制暂停，等你确认才继续下一个 skill。这点和全自动的 SkillOpt 不一样，作者认为 Skill 质量比 loss 更微妙，不能没有人工把关。

三个新维度挺戳痛点

v2.0 吸收了微软研究院 SkillLens 论文的实证 rubric，新增三个高价值维度：

• 失败模式编码：不是简单说「别犯错」，而是把已知失败路径显式写进 Skill
• 可执行具体性：明文禁止「建议/可以考虑/根据情况」等模糊词
• 高风险行动黑名单：rm / git reset –hard / force push 等破坏性操作必须显式列禁

实测数据也很能打：huashu-gpt-image skill 从 80.8 提到 91.65（+10.85），darwin-skill 自评从 86.05 提到 92.7。

微软研究院都买单了

2026-06-03，微软在 SkillOpt 仓库更新里直接把 darwin-skill 写进了官方集成名单，评价是「gbrain, gbrain-evals, and darwin-skill have all integrated SkillOpt」。一次双向认可——达尔文吸收了 SkillOpt 的 validation-gated 框架，SkillOpt 把达尔文放进了自己的生态。

适合谁用

• 手里有 10+ 个 Skill 需要系统维护的开发者
• 想量化评估 Skill 质量而不是凭感觉改
• 对「自己改自己评」有警觉，想引入独立评委机制

说实话，5,640 颗星 + 605 个 fork，这个量级不是盖的。如果你对 AI Agent Skill 的工程化有追求，这个项目值得放进收藏夹研究一下。

GitHub：https://github.com/alchaincyf/darwin-skill

GitHub: https://github.com/alchaincyf/darwin-skill