达尔文.skill正式发布：让技能自主进化的革命性系统

当技能（Skill）数量从十几个扩展到五十几个时，手动维护的弊端开始显现：格式不统一、工作流缺失、测试效果参差不齐。更棘手的是，你无法准确判断哪个技能需要优化、优化的方向是否正确。杨芳贤在手动优化了38轮skill后，决定设计一套让技能自主进化的系统——达尔文.skill应运而生。

实际效果与开源

实际测试效果显著：huashu-slides经过5轮优化，从「能用但随时可能翻车」变成「可靠到可以去泡咖啡」；comedy（脱口秀编剧skill）一轮优化就解决了风格选择无结构的问题；7个perspective skill经过5轮批量优化，从「能用」变成「风格稳定、不会漂移」。优化过程中还发现了手动维护难以察觉的共性问题：边界条件处理缺失、frontmatter描述太短、引用不存在的文件路径等。 达尔文.skill已于4月14日正式开源，安装方式： GitHub: https://github.com/alchaincyf/darwin-skill 或使用 npx skills add alchaincyf/darwin-skill 安装后在Claude Code中说「优化所有skills」或「优化某个skill」即可使用。这套系统让开发者从手动维护的困境中解放出来，真正实现「让技能自己变好」的愿景。

棘轮机制的工程化迁移

达尔文.skill的设计100%受Karpathy开源的autoresearch项目启发。这个71k+ Star的项目用一句话概括：让AI自己跑实验、自己评估结果、只保留有改进的修改。它的工作机制像一个只能向前转动的棘轮：AI Agent自动修改训练代码，跑5分钟看loss有没有下降，降了就保留（git commit），没降就回滚（git revert）。每小时约12个实验，一晚上能跑100个。Shopify CEO用它优化模板引擎，性能提升了53%。

8维度评估体系

生物学早已验证了棘轮的美感：达尔文进化论本质上就是一个只能向前的棘轮——随机变异产生候选方案，自然选择保留有利的、淘汰有害的。Karpathy把这一逻辑工程化了，而达尔文.skill则把它从模型训练领域迁移到了Skill优化领域。两者逻辑完全一致，只是优化对象不同：autoresearch优化训练代码，达尔文优化SKILL.md；autoresearch用loss判断好坏，达尔文用8维度加权总分。

五大优化原则

达尔文.skill采用100分制评估体系，分为结构维度（60分）和效果维度（40分）。结构维度考察6个方面：Frontmatter规范性（8分）、工作流清晰度（15分）、异常情况处理（10分）、关键决策确认点（7分）、指令具体性（15分）、文件路径有效性（5分）。效果维度考察架构合理性（15分）和实测输出质量（25分）。实测权重最高，因为一个结构满分但跑出来一坨的skill，远不如一个写得粗糙但好用的skill有价值。

如有侵权，请联系删除。