# 策展 · X (Twitter) 🔥

> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)

> 作者：Anita AGI/acc (@Anitahityou) · 平台：X (Twitter) · 日期：2026-04-11

> 原始來源：https://x.com/anitahityou/status/2042597253819560067

## 中文摘要

EvoSkill 透過自動化演算法提升程式開發 Agent 的效能。

EvoSkill 是一個與 Agent 無關的工具組，旨在透過自動化發現與優化技能，顯著增強程式撰寫 Agent 的能力，並已獲得學術論文引用。該工具透過自我演化機制，協助開發者將領域知識轉化為可複用的技能，進而提升 Agent 在複雜任務中的表現。

**核心運作機制**
EvoSkill 採用類似 GEPA 與 DSPy 的自我優化演算法，其運作邏輯與 Andrej Karpathy 的 `autoresearch` 專案相似。系統會自動執行以下循環：
- 識別 Agent 的失敗模式。
- 提出技能或提示詞（Prompt）的改進方案。
- 評估變更後的效能。
- 保留表現最佳的變更版本。

**相容性與靈活性**
該工具設計為與 Agent 無關（Agent-agnostic），可安裝於多種程式撰寫 Agent 中，並支援多種模型供應商與模型。
- 支援的 Agent：Claude Code、OpenCode、OpenHands、Goose、Codex CLI。
- 模型支援：使用者可自由選擇 Claude、GLM、Minimax、Kimi、GPT、Gemini、Qwen 等模型。

**關鍵功能與特性**
EvoSkill 強調技能的可遷移性與持續進化能力：
- 基準測試進化：可針對自有或學術基準進行優化。
- 跨平台遷移：技能被封裝為包含指令、元資料與輔助腳本的可重用資料夾，具備跨 Agent 的相容性。
- 跨模型與跨任務遷移：在特定 LLM 上演化出的技能，可遷移至其他 LLM，且具備跨任務的通用性。

**使用流程與版本控制**
EvoSkill 透過 Git 分支管理程式版本，確保開發過程的安全與可追溯性，不會影響原始程式碼。
- 初始化：透過 `evoskill init` 建立專案設定。
- 任務定義：在 `.evoskill/task.md` 中描述 Agent 任務。
- 執行迴圈：執行 `evoskill run` 進行自動化優化，並透過 `evoskill eval` 評估效能。
- 版本管理：最佳程式版本會自動儲存於 Git 分支中。

**實際應用場景**
開發者指出 EvoSkill 可應用於多種場景，並分享了具體案例：
- `/brainstorming`：在執行前結構化拆解問題，減少錯誤。
- `/skill-creator`：將領域知識固化為可複用的 skill。
- 實戰案例：開發者曾利用 EvoSkill 優化研究流程，對近期 BTC 走勢進行預測，預測 50% 可能在 $68K-$75K 區間震盪。

## 標籤

Skills, Agent, 研究論文, 開源專案, EvoSkill, DSPy