Skill Optimizer

Skill Optimizer

> 借鉴 Karpathy autoresearch 的自主实验循环，对 Hermes skills 进行持续优化。 > 核心理念：评估 → 改进 → 实测验证 → 人类确认 → 保留或回滚

---

设计哲学

autoresearch 的精髓：

1. 单一可编辑资产 — 每次只改一个 SKILL.md
2. 双重评估 — 结构评分（静态分析）+ 效果验证（跑测试看输出）
3. 棘轮机制 — 只保留改进，自动回滚退步
4. 独立评分 — 评分用子代理，避免「自己改自己评」的偏差
5. 人在回路 — 每个 skill 优化完后暂停，用户确认再继续

与纯结构审查的区别：不只看 SKILL.md 写得规不规范，更看改完后实际跑出来的效果是否更好。

---

评估 Rubric（8维度，总分100）

结构维度（60分）— 静态分析

| # | 维度 | 权重 | 评分标准 | |---|------|------|---------| | 1 | Frontmatter质量 | 8 | name 规范（小写-连字符）、description 包含做什么+何时用+触发词、≤1024字符 | | 2 | 工作流清晰度 | 15 | 步骤明确可执行、有序号、每步有明确输入/输出 | | 3 | 边界条件覆盖 | 10 | 处理异常情况、有 fallback 路径、错误恢复 | | 4 | 检查点设计 | 7 | 关键决策前有用户确认、防止自主失控 | | 5 | 指令具体性 | 15 | 不模糊、有具体参数/格式/示例、可直接执行 | | 6 | 资源整合度 | 5 | references/scripts/assets 引用正确、路径可达 |

效果维度（40分）— 需要实测

| # | 维度 | 权重 | 评分标准 | |---|------|------|---------| | 7 | 整体架构 | 15 | 结构层次清晰、不冗余不遗漏、与 Hermes skill 约定一致 | | 8 | 实测表现 | 25 | 用测试 prompt 跑一遍，输出质量是否符合 skill 宣称的能力 |

评分规则

• 维度 1-7：每个维度打 1-10 分，乘以权重得到该维度得分
• 维度 8（实测表现）：跑 2-3 个测试 prompt，按输出质量打 1-10 分
• 总分 = Σ(维度分 × 权重) / 10，满分 100
• 改进后总分必须 严格高于 改进前才保留

评分锚点（统一刻度）

| 分数段 | 含义 | 判断标准 | |--------|------|----------| | 1-3 | 严重缺失 | 该维度核心要素不存在或严重错误，导致 skill 不可用 | | 4-6 | 基本满足但有短板 | 核心要素存在，但至少 1 个关键点缺失或模糊 | | 7-9 | 良好 | 核心要素完整，关键点清晰，仅有轻微改进空间 | | 10 | 完美 | 无改进空间，可作为该维度的标杆示例 |

示例锚点（D2 工作流清晰度）：

• 1-3 分：无步骤编号、步骤顺序混乱、无输入/输出说明
• 4-6 分：有步骤编号但部分步骤模糊（如"处理数据"）、输入/输出不全
• 7-9 分：步骤有序号、每步有明确输入/输出、可直接执行
• 10 分：上述全部 + 有示例演示完整流程

关于「实测表现」维度

这是与纯结构评分最大的区别。评分方式：

1. 为每个 skill 设计 2-3 个典型用户 prompt（不是边缘 case，是最常见的使用场景）
2. 用子代理执行：一个带 skill 跑，一个不带 skill 跑（baseline）
3. 对比输出质量，从以下角度打分：

• 输出是否完成了用户意图？
• 相比不带 skill 的 baseline，质量提升明显吗？
• 有没有 skill 引入的负面影响（过度冗余、跑偏、格式奇怪）？

如果无法跑子代理（时间/资源限制），可以退化为「干跑验证」：读完 skill 后模拟一个典型 prompt 的执行思路，判断流程是否合理。但要在 results.tsv 中标注 dry_run。

---

自主优化循环

Phase 0: 初始化

1. 确认优化范围：
   - 全部 skills → 扫描 ~/.hermes/skills/*/SKILL.md
   - 指定 skills → 用户指定列表
   - **异常：skill 不存在 → 提示用户并跳过，不中断流程**

2. 初始化 git（如 skills 目录不是 repo）：
   - git init + baseline commit
   - 创建优化分支：auto-optimize/YYYYMMDD-HHMM
   - **异常：git 命令失败 → 提示用户检查权限，终止流程**

3. 初始化 results.tsv（如不存在）
4. 读取现有 results.tsv 了解历史优化记录

Phase 0.5: 测试 Prompt 设计

在评估之前，为每个 skill 设计测试 prompt。这步很关键——没有测试 prompt，「实测表现」维度就打不了分。

for each skill:
  1. 读取 SKILL.md，理解它做什么
     - **异常：SKILL.md 不存在或无法读取 → 跳过该 skill，记录到 results.tsv**
  
  2. 检查是否已有 test-prompts.json：
     - 如果存在 → 展示给用户确认是否沿用
     - 如果不存在 → 设计 2-3 个测试 prompt
  
  3. 设计测试 prompt 时覆盖：
     - 最典型的使用场景（happy path）
     - 一个稍复杂或有歧义的场景
  
  4. 保存到 skill目录/test-prompts.json：
     [
       {"id": 1, "prompt": "用户会说的话", "expected": "期望输出的简短描述"},
       {"id": 2, "prompt": "...", "expected": "..."}
     ]
  
  5. **异常：test-prompts.json 写入失败 → 提示用户检查目录权限，该 skill 只做 dry_run 评估**

展示所有测试 prompt 给用户，确认后再进入评估。测试 prompt 的质量决定了优化方向是否正确。

Phase 1: 基线评估（Baseline）

for each skill in 优化范围:

  # 结构评分（主 agent 可以做）
  1. 读取 SKILL.md 全文
     - **异常：读取失败 → 标记为 "unreadable"，跳过该 skill**
  2. 按维度 1-7 逐项打分（附简短理由）

  # 效果评分（用子代理做，独立于主 agent）
  3. 对每个测试 prompt，spawn 子代理：
     - with_skill: 带着 SKILL.md 执行测试 prompt
     - baseline: 不带 skill 执行同一 prompt
     - **异常：子代理超时（>60s）→ 该 prompt 标记 timeout，维度 8 用 dry_run**
     - **异常：子代理报错 → 记录错误，维度 8 用 dry_run**
  4. 对比两组输出，打维度 8 的分

  # 汇总
  5. 计算加权总分
  6. 记录到 results.tsv

如果子代理不可用（超时、环境限制），维度 8 用干跑验证打分，标注 dry_run。

基线评估完成后，展示评分卡：

┌──────────────────────────┬───────┬──────────────┬──────────────┐
│ Skill                    │ Score │ 结构短板      │ 效果短板      │
├──────────────────────────┼───────┼──────────────┼──────────────┤
│ github-pr-workflow       │ 78    │ 边界条件      │ 测试prompt2  │
│ systematic-debugging     │ 72    │ 指令具体性    │ baseline持平 │
├──────────────────────────┼───────┼──────────────┼──────────────┤
│ 平均                     │ 75    │              │              │
└──────────────────────────┴───────┴──────────────┴──────────────┘

暂停等用户确认，再进入优化循环。

Phase 2: 优化循环

用户确认后，按基线分数从低到高排序，先优化最弱的。

for each skill:
  round = 0
  while round  旧总分:
      status = "keep"，更新旧总分
    else:
      status = "revert"
      git revert HEAD（创建新 commit 回滚，不用 reset --hard）
      - **异常：git revert 失败 → 提示用户手动介入，暂停优化流程**
      记录失败尝试到 results.tsv
      break  # 该 skill 到瓶颈，跳到下一个

    # Step 6: 日志
    results.tsv 追加行

  # === 每个 skill 优化完后的人类检查点 ===
  展示该 skill 的改动摘要：
    - git diff（改前 vs 改后）
    - 分数变化（哪些维度提升/下降）
    - 测试 prompt 输出对比（如果跑过的话）
  等用户确认 OK 再继续下一个 skill。
  如果用户说"不好"，回滚到该 skill 的优化前版本。

Phase 2.5: 探索性重写（可选）

当 hill-climbing 连续 2 个 skill 都在 round 1 就 break（涨不动）时，提议一次「探索性重写」：

1. 选一个瓶颈 skill
2. git stash 保存当前最优版本
3. 从头重写 SKILL.md（不是微调，是重新组织结构和表达方式）
4. 重新评估
5. if 重写版 > stash版: 采用重写版
   else: git stash pop 恢复

这解决了 hill-climbing 的局部最优问题——有时候需要「先拆后建」才能突破瓶颈。 必须征得用户同意后才执行。

Phase 3: 汇总报告

## 优化报告

### 总览
- 优化 skills 数：N
- 总实验次数：M
- 保留改进：X（Y%）
- 回滚次数：Z
- 实测验证：A 次完整测试 / B 次干跑

### 分数变化
┌──────────────────────────┬────────┬────────┬────────┐
│ Skill                    │ Before │ After  │ Δ      │
├──────────────────────────┼────────┼────────┼────────┤
│ github-pr-workflow       │ 78     │ 87     │ +9     │
│ systematic-debugging     │ 72     │ 83     │ +11    │
├──────────────────────────┼────────┼────────┼────────┤
│ 平均                     │ 75     │ 85     │ +10    │
└──────────────────────────┴────────┴────────┴────────┘

### 主要改进
1. [skill-A] 补充了边界条件处理，测试输出质量提升明显
2. [skill-B] 重组了 workflow 结构，baseline 对比优势增大

---

test-prompts.json 格式

[
  {"id": 1, "prompt": "用户会说的话", "expected": "期望输出的简短描述", "category": "happy_path"},
  {"id": 2, "prompt": "...", "expected": "...", "category": "edge_case"}
]

字段说明：

• id: 测试编号，用于追踪
• prompt: 用户实际会说的话（自然语言，不是指令式）
• expected: 期望输出的简短描述（不是完整输出，而是关键特征）
• category: 测试类型（happy_path / edge_case / specific_problem）

示例（skill-optimizer 自身的 test-prompts.json）：

[
  {
    "id": 1,
    "prompt": "优化 github-pr-workflow 这个 skill",
    "expected": "应触发 Phase 0.5-2，输出包含 8 维评分、git diff、分数变化",
    "category": "happy_path"
  },
  {
    "id": 2,
    "prompt": "评估所有 skills 的质量",
    "expected": "应只执行 Phase 0.5-1，展示评分卡表格",
    "category": "edge_case"
  },
  {
    "id": 3,
    "prompt": "帮我改改 systematic-debugging，它效果不好",
    "expected": "应识别为优化请求，先诊断问题维度再针对性改进",
    "category": "specific_problem"
  }
]

文件位置：~/.hermes/skills/{skill-name}/test-prompts.json

---

results.tsv 格式

timestamp	commit	skill	old_score	new_score	status	dimension	note	eval_mode
2026-04-15T10:00	baseline	github-pr-workflow	-	78	baseline	-	初始评估	full_test
2026-04-15T10:05	a1b2c3d	github-pr-workflow	78	84	keep	边界条件	补充fallback	full_test
2026-04-15T10:10	b2c3d4e	github-pr-workflow	84	82	revert	指令具体性	过度细化	dry_run

新增 eval_mode 列：full_test（跑了子代理测试）或 dry_run（模拟推演）。 文件位置：~/.hermes/skills/meta/skill-optimizer/results.tsv

---

优化策略库

按优先级排序，每轮只做最高优先级的一个：

P0: 效果问题（实测发现的）

• 测试输出偏离用户意图 → 检查 skill 是否有误导性指令
• 带 skill 比不带还差 → skill 可能过度约束，考虑精简
• 输出格式不符合预期 → 补充明确的输出模板

P1: 结构性问题

• Frontmatter 缺少触发词 → 补充中英文触发词
• 缺少 Phase/Step 结构 → 重组为线性流程
• 缺少用户确认检查点 → 在关键决策处插入

P2: 具体性问题

• 步骤模糊（"处理图片"）→ 改为具体操作和参数
• 缺少输入/输出规格 → 补充格式、路径、示例
• 缺少异常处理 → 补充 "如果 X 失败，则 Y"

P3: 可读性问题

• 段落过长 → 拆分+用表格
• 重复描述 → 合并去重
• 缺少速查 → 添加 TL;DR 或决策树

P4: 结构精简（文件大小控制）

• 详细示例移到引用段落 → 主流程保持简洁，用 "详见 X 章节" 引用
• 重复流程合并 → 不同章节的相似内容合并为单一参考段落
• Phase 编号优于抽象章节名 → "Phase 0-4" 比 "Introduction/Workflow/Conclusion" 更易执行
• 保留核心指令，细节外移 → SKILL.md 主文件 "You write the goals and constraints in program.md; let an agent generate and test code deltas indefinitely; keep only what measurably improves the objective."

> — Karpathy, autoresearch

本 skill 的对应关系：

• program.md → 本文件（评估 rubric 和约束规则）
• train.py → 每个 SKILL.md
• val_bpb → 8 维加权总分（含实测表现）
• git ratchet → 只保留有改进的 commit
• test set → 每个 skill 的 test-prompts.json

区别：增加了人在回路（autoresearch 是全自主的，skill 优化需要人的判断力），以及双重评估机制（结构+效果），因为 skill 的「好坏」比 loss 数值更微妙。

---

来源

本 skill 方法论来源于 alchaincyf/darwin-skill 项目，经 Hermes 适配改造：

• 去掉了展示层（result-card、screenshot 等）
• 适配了 Hermes 目录结构和工具链
• 保留了核心方法论：8 维 rubric + test-prompts + keep/revert + 人工检查点

原项目地址：https://github.com/alchaincyf/darwin-skill

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: xiaohei-info
• Source: xiaohei-info/oh-my-agent-skills
• License: MIT

Install and usage instructions live in the source repository linked above.