AI Agent 不再是单次输出！这个 skill 让 Claude 学会自己批改作业

最近翻 Smithery 时发现了一个特别值得聊一聊的 skill——agentic-eval，藏在大名鼎鼎的 github/awesome-copilot 仓库里。它不讲怎么写代码、不讲怎么画图，就讲怎么给 AI Agent 打分、让它自己批改作业。说实话，这种”自我进化型”的范式才是 2026 年 AI 行业最值得观察的暗线。

这玩意到底在解决什么？

用过 Claude Code、Cursor、Copilot 这类 agent 的朋友应该都有体会：单次输出经常”差一口气”——逻辑没问题，但细节不到位；框架写对了，但代码风格不统一。传统做法是写更长的 prompt，但 agentic-eval 提出了另一条路：让 Agent 学会自我评估 + 自我迭代。

核心循环就一句话：生成 → 评估 → 批评 → 改进 → 输出。第一次没出好，没关系，自己回头看自己的输出哪里不行，针对弱点重写一遍，最多 3-5 轮收敛。

三大核心模式，逐级递进

• Pattern 1: Basic Reflection（基础自反思）——Agent 用结构化 JSON 输出去打分自己，每个维度 PASS/FAIL，然后只针对 FAIL 的点去改进。最简单，适合快速上手。
• Pattern 2: Evaluator-Optimizer（评估器+优化器分离）——把”打分”和”改写”拆成两个独立组件，职责更清晰，适合代码、报告这种质量要求高的产出。门槛是 0.8 分，过了就停。
• Pattern 3: Code-Specific Reflection（代码专用）——直接用 pytest 当裁判，测试不通过就让 Agent 重写代码。这个对开发者最实用，写完一个函数直接让它自己 debug。

三种评分策略，按场景挑着用

• Outcome-Based：看输出是否达到期望结果，最直接；
• LLM-as-Judge：拿另一个 LLM 当裁判，对比 A/B 输出，适合主观质量；
• Rubric-Based：按加权维度（准确度 0.4、清晰度 0.3、完整度 0.3）打分，最严谨，适合正式产出。

为什么我把它放进”AI 行业观察”重点推？

看了一圈海外社区，2026 年 Agent 赛道最明显的趋势就是从”单次生成“走向”迭代式自我提升“。这不是某个新模型的胜利，而是工作流设计哲学的胜利——agentic-eval 把这套哲学沉淀成了可复用的 skill，让任何人都能装上用。

GitHub 上 awesome-copilot 仓库已经有 20k+ Star，这个 skill 在 Smithery 也已经累计 30 次 install。对于想认真做 AI Agent 应用（无论是写代码、写报告还是做数据分析）的朋友，这个 skill 是个不错的”思想启蒙”——它会逼你重新思考：prompt 的天花板不重要，迭代机制的天花板才重要。

📦 仓库地址：github/awesome-copilot/skills/agentic-eval

GitHub: https://github.com/github/awesome-copilot/tree/main/skills/agentic-eval