核心用法
Auto Skill Evolver 是一套元编程框架，赋予 AI agent "自我修炼"能力。其设计哲学借鉴机器学习中的梯度下降——将自然语言视为可优化的参数空间，通过迭代执行-评估-重写循环，持续提升技能表现。
系统提供三种工作模式：
1. 自训练模式（Gym）：针对特定任务进行密集迭代训练，类似模型 fine-tuning 的过程。通过 --iterations 控制训练轮数，--interval 设置冷却间隔，适合技能上线前的集中优化。
2. 进程内进化（Hook 模式）：在常规生产流程中嵌入优化钩子，支持 CLI 调用或 Python 集成，实现"边用边学"的持续改进。
3. 版本控制：自动备份每次更新，支持一键回滚，为实验性迭代提供安全保障。
显著优点
- 闭环自动化：从执行到重写全程无人值守，大幅降低技能维护成本
- 双重反馈机制：同时利用执行日志（客观）和用户反馈（主观），优化更全面
- 非侵入式集成：通过文件接口与外部 agent 协作，不绑定特定框架
- 生产级鲁棒：内置版本控制和回滚机制，允许大胆实验
潜在局限
- 依赖外部 LLM：优化质量直接取决于 Optimizer LLM 的能力，存在"优化器瓶颈"
- 收敛不确定性：自然语言缺乏数值梯度，无法保证单调收敛，可能陷入局部最优
- 反馈延迟：Hook 模式依赖任务完成后的离线分析，非实时纠错
- 成本累积：高频迭代产生可观的 API 调用开销
适合人群
- 构建复杂 agent 系统的开发者，需要持续降低人工 prompt 调优成本
- 追求"自我进化"AI 产品的技术团队
- 具备一定 LLM 工程经验，能理解 meta-learning 概念的用户
常规风险
- 版本污染：自动重写可能引入语义漂移，建议配合 code review 流程
- 反馈噪声：低质量用户反馈可能导致负优化，需设计过滤机制
- 权限安全：脚本具备文件系统写权限，需防范路径遍历攻击