技能资产化闭环：让经验沉淀为可复用 Skill
在 Agent Skills 生态里，SKILL.md 不只是一个说明文件，它可以成为 Agent 的程序性记忆：什么时候使用、如何执行、调用哪些脚本、遵守哪些约束、如何处理异常。技能层自进化的关键，就是让这些技能不再只靠人工维护，而是能被评估、改写、验证和回滚。
Darwin Skill：用评测和 ratchet 机制优化 Skill
下面从 Darwin Skill 切入第二类闭环：SKILL.md 被明确当成可被度量、被迭代的资产。Darwin Skill 面向 SKILL 优化的主张可以概括为「像训练模型一样优化你的 Agent Skills」，方法论直接对齐 Karpathy 的 autoresearch：用可量化目标驱动改动，并用 棘轮（ratchet） 只保留可验证的增益，其余 git revert 掉，避免基线随时间悄悄变差。
机制上拆成几条硬原则：单一可编辑资产（一次只改一个待优化的 SKILL.md）、双重评估（结构侧偏静态分析，效果侧要在测试提示上跑起来看输出）、独立评分（用子 Agent 打分，减轻「自改自评」）、人在回路（阶段之间暂停，展示 diff 与分数变化后再继续）。效果验证侧会用到诸如 test-prompts.json 一类的测试集；总分 100 来自 八维 rubric，其中结构维度与效果维度分值配比写得很清楚（效果里「实测表现」权重最高）。
图 4 Darwin Skill
下图与其 Core Loop 一致，对应 Evaluate → Improve → Validate → Confirm → Keep or Revert。
图 5 Darwin Skill：Evaluate → Improve → Validate → Confirm → Keep or Revert 闭环
这套流程可以拆成五步：
Evaluate：对目标 SKILL.md 做结构分析与效果验证，汇总为八维加权分。
Improve：找出得分最低的维度，生成一轮针对性改写并提交改动。
Validate：在测试提示集（如 test-prompts.json）或等价真实任务上复测。
Confirm：展示 diff 与分数变化，由人确认是否进入下一轮或下一个 Skill。
Keep or Revert：新总分高于当前最优则保留，否则回滚；棘轮保证有效基线单调不降。
八维 rubric 把总分拆到多个维度（结构侧与效果侧分值配比见示意图）；「实测表现」在效果维度里权重最高。
图 6 Darwin Skill：八维评分体系（总分 100）
Darwin Skill 最重要的设计不是「自动改技能」，而是只让可验证的改进留下来。凡兼容开放 Agent Skill / SKILL.md 宿主的工具链都可接入，包括 Claude Code、Codex、OpenClaw、Trae、CodeBuddy 等；Darwin Skill 在其中扮演相对独立的技能优化器角色。
JiuwenClaw：运行时技能自演化
JiuwenClaw 面向长期陪伴式使用的标语是「Understands You. Evolves With You」：Autonomous Evolution 即在不满或执行出错时依反馈持续改进相关技能。实现上依靠 SkillCallOperator 统领读写与合并，连同 SignalDetector（基于规则、不调用 LLM）监视工具结果与用户措辞里的纠错线索；可归因到当前技能的事件交给 SkillEvolutionManager 编排扫描与生成，SkillOptimizer 在需要改动时调用 LLM 写出演进条目，先入 evolutions.json，再在合适时机 solidify 合并回 SKILL.md，也可通过 /evolve 手动触发。失败类信号偏向写入 Troubleshooting 一类小节，用户纠正则更常被整理成 Examples。每条技能在 workspace 下自有目录（典型路径形如 ~/.jiuwenclaw/workspace/agent/skills/<skill_name>/），配置里可开启 evolution_auto_scan，工具回合结束后也可能在后台追加演进记录。
从分类上看，它仍然最适合归入技能资产化闭环：持久增量落在 SKILL.md 与 evolutions.json，而不是一次性的对话摘要。
图 7 JiuwenClaw：项目概览与运行时技能自演化语境
与仓库文档中的 Evolution flow 对齐的一条流水线：用户对话或工具执行 → SignalDetector → SkillEvolutionManager → SkillOptimizer → evolutions.json → solidify → SkillCallOperator（后者统一读写并在下一轮调用前加载合并后的 SKILL.md）。
与 Darwin Skill 相比：Darwin 更强调「像训练模型一样」的全套评测、八维打分、棘轮与强人在回路；JiuwenClaw 把演进嵌在日常会话与工具回路里，信号驱动、条目先入 JSON 再固化进文档，工程侧重点在在线可用性与快速迭代。它也免不了与内建上下文闭环交叉（同一轮对话里就要检测反馈），但本章仍以技能资产为主标签，因为可审计的长期增量主要在技能文件与演进记录里。
EvoSkill：从失败轨迹中演化技能变体
EvoSkill 面向 coding agent 的自动技能发现与改进：在仓库语境里，它把 GEPA 那种「靠反馈改一处 prompt」的思路，扩展成对 整套 agent program 的迭代（可同时提议多条 skill 与 system prompt 变异），在 留出验证集 上打分，每一轮优秀候选会以 全新程序状态 进入下一轮，而不是只在原地补丁一段话。
自助回路在文档里被拆成五段：Base Agent 用当前最优配置跑基准里的样本；Proposer 对照失败样例提出针对性改动；Generator 写出新的技能文件或改写系统提示；Evaluator 在 held-out 数据上给新版本打分；Frontier 维护表现最好的 Top-N 套程序，并以 program/* Git 分支形式版本化（另有 frontier/* 标签标记前沿成员），便于 evoskill diff、evoskill skills 审计与回滚。工程上通过 evoskill init / evoskill run 驱动，数据集多为带标准答案的 CSV，可按任务写 .evoskill/task.md，执行模式支持本机、Docker 或 Daytona 远程沙箱；宿主 harness 覆盖 Claude Code、OpenCode、OpenHands、Goose、Codex CLI 等。演进配置里可选 skill_only 或 prompt_only，打分支持规则匹配、LLM-as-judge、脚本等多种 scorer。
图 8 EvoSkill：面向编码 Agent 的技能与提示协同演进框架
与 Darwin Skill 侧重「单一 SKILL.md + 八维棘轮」、JiuwenClaw 侧重在线会话信号不同，EvoSkill 更贴近 离线基准驱动 的「整包 Agent 配置进化」：成败证据来自可重复评测，产出是可拷贝的 skills 目录与 program.yaml 一类制品，适合要把编码助手从通用模型收成 专精流水线 的团队。