让 Skill 自己训练自己：8阶段Loop与自进化机制

你总想着“授它以鱼”，像个操心的妈妈一遍遍对着 AI 说教：“记住！你不许这样！”但好的教育难道不是授人以渔，给它一本书、一个目标，让它自己实践、碰壁、改错么？腾讯云开发者团队分享了一种像训练神经元一样训练 Skill 的机制——8 阶段 Loop 、 3 层评测、 5 维 AND 门控， 19 轮自进化自动找出隐藏 Bug 。

一、为什么 Skill 需要“自进化”？

当前的 Skill 开发是“手工作坊式”的：写 Prompt → 测几个 Case → 发现不完美 → 改几行 → 再测。
这有几个致命痛点：

自进化机制的目标是：让 Skill 在执行中收集数据，自动分析失败原因，生成 Patch ，并通过严格测试后回写自身。

二、核心架构： Skill-Evolver = AutoResearch + Creator + Meta-Harness

这其实是三个已被证明有效的思想的结合：
1. Karpathy 的 autoresearch：外层 Loop 不断试错，跑 700 个实验找出 20 个优化，性能提升 19%。
2. Anthropic 的 skill-creator：提供结构化的评测底座（quick_validate, grader, comparator）。
3. 斯坦福 Meta-Harness 论文：给 AI 看完整的原始执行轨迹（ Trace ）比只看分数效果好 44%。就像医生看完整病历比看 300 字摘要诊断更准。

于是，Skill-Evolver 诞生了：外层用 AutoResearch 试错，内层用 Creator 评测，用 Meta-Harness 的 Trace 做诊断。

三、 8 阶段 Loop 拆解

每一轮迭代不是瞎改，而是严格遵循 8 个阶段：

Phase 0: Setup （一次性初始化）

检查环境、准备 GT （标准答案）数据，自动生成 evolve_plan.md（包含评测策略、门控阈值）。

Phase 1: Review （回顾记忆）

读取最近的 git log、results.tsv、失败 Case 。提取信号：哪些改法成功过？哪些 Case 持续失败？

Phase 2: Ideate （诊断与构思）

从 Trace 诊断失败根因（是 Prompt 不清？ Tool 定义缺失？）。提出原子化改动方案。

Phase 3: Modify （执行修改）

执行 ONE 个改动。分层 Mutation ：
- Layer 1 ：改触发关键词（最便宜）。
- Layer 2 ：改 SKILL.md 正文（中等）。
- Layer 3 ：改辅助脚本和 references （最贵）。

Phase 4: Commit （审计轨迹）

先 git commit 再验证。保留每一次尝试的历史，方便回滚。

Phase 5: Verify （三层评测）

跑测试集，看 Pass/Fail 。

Phase 6: Gate （ 5 维 AND 门控）

只有 5 个维度全 Pass 才保留（详见下文）。

Phase 7: Log （记录）

写入日志，更新实验记录。

Phase 8: Loop （循环）

继续下一轮，或者升层，或者停止。

四、 3 层评测与 5 维 AND 门控

怎么保证“越改越好”而不是“越改越烂”？

3 层评测体系：
- L1 单元测试： Binary Eval （ Pass/Fail ）。 6 种程序直接判（如 contains, script_check）， 2 种 LLM 判（事实覆盖）。
- L2 集成测试：模拟完整任务链。
- L3 用户验收：真实业务效果反馈。

5 维 AND 门控（防退化机制）：
任何 Patch 必须同时满足：
1. 格式门：输出符合 Schema 。
2. 内容门：关键参数准确。
3. 行为门：工具调用序列符合预期（不跳过鉴权）。
4. 性能门：耗时不超过基准 1.5 倍。
5. 安全门：无敏感操作。

只要一个 Fail ，立即回滚。 这就是为什么它能跑 19 轮而不崩的原因。

五、实战结果： 19 轮自进化

作者让这个机制跑了 19 轮，结果令人惊讶：
- 每一轮都揪出了至少一个之前没看见的问题。
- 有的是真 Bug ，有的是边界补全，有的是整块代码的职责重构。
- 它甚至优化了 iteration-10 排序导致 cleanup 误删最新结果这种人类极难察觉的边界条件。

这不仅仅是技术升级，更是开发思维的升级。
你从 Prompt 工程师变成了 Skill 教练。你定义目标，提供反馈，监控进化曲线，而 AI 自己在实践中摸索出最佳路径。