你写的Skill是不是写完就扔？达尔文.skill把Karpathy autoresearch那套"自动实验、只保留有效改进"的思路搬到了Skill优化上。它让Claude Code按多维度给你的SKILL.md打分，找出最弱的环节针对性改进，跑测试验证效果，只保留实测有提升的版本。分数不涨就回滚，绝不将就。 达尔文.skill到底在做什么
作者是alchaincyf，2026年4月发布初版，5月升级到v2.0。核心思路来自Karpathy的autoresearch项目——一个让AI自主实验、自动迭代的框架。Karpathy拿它优化模型训练脚本，达尔文.skill把同一套逻辑搬到了Skill优化上。
说白了，它让Claude Code自动读取你的SKILL.md，按维度打分，找出最拉胯的那一项，针对性改进，再用独立子agent跑测试prompt验证效果。新分数比旧的高，留下；否则git revert回滚。最多跑三轮，每轮只改一个维度。 改完一轮它会暂停，给你看三样东西：改了什么（git diff）、分数怎么变的、测试prompt的输出对比。你点了头，才继续下一个。
多维度评分：模糊感变成具体数字
v2.0版本的评分体系在原有基础上做了扩展，总分100。结构部分靠静态分析，效果部分必须实测。
| | |
|---|
| | name规范、description含触发词、不超1024字符 |
| | |
| | |
| | |
| | |
| | |
| | |
| | 跑测试prompt，对比有无Skill的输出质量差异 |
v2.0还从微软SkillLens论文里吸收了三项新指标：失败模式编码（有没有显式写出已知失败路径）、可执行具体性（是否禁用"建议""视情况而定"这类模糊措辞）、高风险行动黑名单（rm或git reset --hard这类破坏性操作有没有明文禁止）。
"实测表现"这一项权重最高，占25分。它不看你SKILL.md写得规不规范，而是真跑一遍，看带着这个Skill的Claude比不带的强多少。写得再漂亮，跑出来效果不好就是白搭。
棘轮机制：只进不退
每次改完，系统会重新打分。新分数必须严格高于旧分数，改动才会被保留。否则直接git revert回滚——注意是revert，不是reset --hard，历史记录完完整整留着。
所有实验都在git分支上跑，分支名带时间戳，每次尝试都有commit，每次回滚都有记录。
你随时能翻到任意版本，随时能回到过去某个状态。
三种用法，从摸底到动手
全量优化（推荐第一次用）
先给所有Skill打基线分，生成评分卡，从最低分的开始动手。评分卡长这样：
你看完这张表，再决定先动哪个。
单个优化
直接说"优化huashu-slides"，只对这一个跑完整流程。
只评估不改
摸底看看家底，适合想先了解情况再动手的人。
darwin-skill安装方法
每个Skill优化完，系统会生成一张可视化成果卡片，存成PNG。风格有几种可选：暖白底配赤陶橙的干净网格风、近黑底配荧光绿的终端风、或者暖白纸配深红的报纸编辑风。卡片上有Skill名字、优化前后分数、各维度的变化、主要改进摘要，还有那句"Train your Skills like you train your models"。
安装现在用一行命令就行：
装完在Claude Code里说"优化所有skills"或者"优化某个skill"就能用。微软后来也把这个项目列进了SkillOpt的官方集成名单。
它的价值与局限
这个工具解决了一个真实存在但很少被正视的问题：Skill写完之后没人管。
大多数人的做法就是写一版，用一用，感觉不对就手动改，改完继续用。没有评分，没有对比，没有版本控制，没有验证。改好了还是改坏了，全凭手感。
达尔文.skill把这个过程结构化了。多维度评分给了你一个可以讨论的语言，棘轮机制保证不会越改越差，git历史让每次改动都可追溯，实测验证让"效果"有了具体衡量标准。
不过它也有局限。效果评分依赖子agent跑测试，环境不对的时候可能退化成模拟推演，准确性会打折。而且Skill好坏本来就有主观成分，分数高不代表你用起来一定顺手。
但作为一个让你开始认真对待Skill质量的工具，它已经够用了。
你现在用的Skill，上次认真审查是什么时候？如果答案是想不起来，也许该让达尔文帮你跑一轮评估了。花不了多少时间，至少你能知道它们到底处在什么水平。
AI 速览
