达尔文技能

设计与多媒体 社区

技能解读

当前原文的自动摘译,尚未人工审校。

设计哲学

autoresearch 的精髓: 单一可编辑资产 — 每次只改一个 SKILL.md 双重评估 — 结构评分(静态分析)+ 效果验证(跑测试看输出) 棘轮机制 — 只保留改进,自动回滚退步 独立评分 — 评分用子agent,避免「自己改自己评」的偏差

评估 Rubric(9维度,总分100)

设计依据:基于 SkillLens 论文(arXiv 2605.23899)实证发现——LLM-as-judge 评估 skill 质量准确率仅 46.4%(接近随机),加入 meta-skill 三维度后提升到 73.8%。本 rubric 强化 dim3 / dim5 评分标准,新增 dim9「反例与黑名单」,权重平衡到 100。目的:让评分对真实质量更敏感,减少 LLM judge 的乐观偏差。

结构维度(59分)— 静态分析

· 维度 · 权重 · 评分标准 1 · Frontmatter质量 · 7 · name规范、description包含做什么+何时用+触发词、≤1024字符、禁结尾加"灵活应用/根据情况判断"等空话尾巴 2 · 工作流清晰度 · 12 · 步骤明确可执行、有序号、每步有明确输入/输出 3 · 失败模式编码 · 12 · 必须显式编码失败模式(写出"如果 X 失败 → Y"的明确分支);有fallback路径、错误恢复;只写正向流程而不写失败分支扣 ≥3 分(SkillLens meta-skill 维度) 4 · 检查点设计 · 6 · 关键决策前有用户确认、防止自主失控;检查点必须显性标记(🔴/STOP/CHECKPOINT),仅靠"如果...建议..."措辞不算

效果维度(35分)— 需要实测

· 维度 · 权重 · 评分标准 7 · 整体架构 · 12 · 结构层次清晰、不冗余不遗漏、与花叔生态一致;冗余/AI腔废话段落(说白了/换句话说/首先其次综上等花叔禁用词)出现一处扣 1 分 8 · 实测表现 · 23 · 用测试prompt跑一遍,输出质量是否符合skill宣称的能力

Meta-skill 维度(6分)— 反例与黑名单

· 维度 · 权重 · 评分标准 9 · 反例与黑名单 · 6 · skill 必须有"不要做什么"的反例清单;只写"应该做 X"没有"不要做 Y"扣 ≥3 分;红灯/危险动作/反模式应单独章节列出(SkillLens risk-action blacklist 维度)

流狐档案 运行与权限由流狐静态检查推断,不代表作者声明或实际测试结果。
领域
设计与多媒体
作者声明的智能体
未找到明确声明;不据此推断已兼容或已测试
静态检查
88 / 100 · 启发式扫描,不代表运行安全
运行环境证据
未执行;当前没有隔离运行测试证据
作者 / 版本 / 许可证
@alchaincyf · 未声明许可证
上下文用量评级
低消耗
接入复杂程度
需简单配置
是否需要外部接口密钥
不需要
兼容的系统
macOS
运行环境要求
Node.js
检测到的文件与系统行为
  • 只读
  • 允许写入 / 修改
  • 命令执行
网络行为
仅限本地
安装命令数
无(仅作为资料)

需要注意: 未声明工具权限范围;实际权限由运行环境决定。

输出预览 darwin-skill.preview
timestamp	commit	skill	old_score	new_score	status	dimension	note	eval_mode
2026-03-31T10:00	baseline	huashu-proofreading	-	78	baseline	-	初始评估	full_test
2026-03-31T10:05	a1b2c3d	huashu-proofreading	78	84	keep	边界条件	补充fallback	full_test
2026-03-31T10:10	b2c3d4e	huashu-proofreading	84	82	revert	指令具体性	过度细化	dry_run

讨论

基于 GitHub Discussions。登录 GitHub 即可参与讨论、点赞、订阅更新。