EvoSkill 透過自動化演算法提升程式開發 Agent 的效能

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。