lamarck-skill：给所有 Skill 装上生产数据反馈环，让它们自己进化
你的 Claude Code 装了几十个 Skill，但它们真的在变好吗？
我见过太多人疯狂装 Skill——一个不满意就换一个，但从来没问过自己一个问题：这些 Skill 真的在进化吗？
今天想聊一个很特别的 Skill，它不是帮你完成某个具体任务的工具，而是给所有 Skill 当”教练”——lamarck-skill。
用进废退：你的 Skill 会衰减
很多人没意识到：Skill 也是会”过时”的。一个 Skill 在 A 项目里很好用，到了 B 项目可能反而拖后腿；或者你装了 50 个 Skill，实际用到的就 5 个，剩下的全是噪音。
lamarck-skill 的思路很简单粗暴：让每个 Skill 都在真实工作中接受考核。它会在每次你使用 Skill 后记录数据，积累到一定程度就判断：这个 Skill 到底好不好？哪些提示词需要改？哪些场景它根本不适应？
不是帮你打分，是帮你改进
市面上大多数 Skill 优化方案是：给你一套 benchmark，跑测试，打分。lamarck 不一样，它的信号源是你真实的编码会话。
具体来说：
- 每一次调用 Skill，都会生成一条证据记录（写入本地 data/pending.jsonl）
- 到 turn 结束时，触发一个轻量评估循环，对这次 Skill 使用打四维评分
- 当某个 Skill 的评分多次低于阈值，才触发”进化提案”——不是自动改，而是生成一个bounded edit 建议，等你批准
- 所有改动都写入 CHANGELOG.md，可回滚
这意味着：你的 Skill 优化是用真实生产数据喂出来的，而不是人工构造的测试用例。
支持多 Agent，也支持”用进废退”
lamarck-skill 目前支持 Claude Code、Codex、Cursor 和 pi 四个主流 Agent，所有证据写入同一个 ledger。所以你在不同工具里用的 Skill，共享同一套进化数据。
更有意思的是它的”信任层级”设计：
- 新装上的 Skill 默认处于”观察模式”（observe），只记录不评价
- 你认可某个 Skill 后可以提升到”进化模式”（evolve），它开始提建议
- 如果你特别信任一个 Skill，可以设成”自动模式”（auto），但即使在这里，每次改动还是会被 replay 验证——验证失败立刻回滚
如果某个 Skill 长期评分很高，它会进入”稳定模式”（stable），减少评估频率；一旦出现用户纠正或场景变化，立刻唤醒。
适合谁用？
如果你符合以下任意一条，lamarck 值得一试：
- 装了 20+ 个 Skill，但不知道哪些真正在帮你
- 团队多人使用 Agent，想积累一套”我们都认可的 Skill 进化记录”
- 不想每次改 Skill 全靠感觉，想有数据支撑
一句话总结
lamarck-skill 是给 Skill 装上了”使用数据反馈环”——不靠 benchmark，靠你真实的工作流来决定哪些 Skill 该进化、哪些该淘汰。
安装方式（Node 18+）：
npx lamarck-skillGitHub：https://github.com/newdee/lamarck-skill
评论区
登录后可评论。