进化式优化提示词
给定一个评分标准和一个初始 prompt、正则、SQL 或代码片段,用进化搜索循环反复变异和筛选,跑出分数更高的版本。
功能与用途
手工调提示词或正则时,靠反复试很快会到瓶颈。这个 Skill 装的是 Imbue 的进化搜索工具:你先给出一个能打分的评测器和一个起点版本,它会让 LLM 不断根据失败案例提出变异,再按分数保留更好的那些,跑若干轮后给出排名结果和一整棵进化树。前提是必须有一个可测量的评分标准,而且得接受几十到几百次 LLM 调用的成本。
适用场景
- 手写了一个信息抽取 prompt,想在标注好的测试集上把准确:手写了一个信息抽取 prompt,想在标注好的测试集上把准确率再往上推一截
- 要写一条能覆盖大量日志格式的正则,靠人肉试太慢,想用通过率当:要写一条能覆盖大量日志格式的正则,靠人肉试太慢,想用通过率当适应度自动搜
- 团队需要一个能持续改进的 SQL 改写模板,希望有 trai:团队需要一个能持续改进的 SQL 改写模板,希望有 trainable 与 holdout 两套失败案例来防过拟合
适用人群
- 做提示词工程的算法工程师
- 需要调正则或 SQL 的数据工程师
- 研究 LLM 自动优化的研究员
使用步骤
- 先把评分器想清楚——没有可量化的适应度就先别跑,这是最难的一步。
- 装环境:克隆 imbue-ai/darwinian_evolver 到缓存目录并执行 uv sync,配好 OPENROUTER_API_KEY 等任一模型密钥。
- 先用内置 parrot 例子做冒烟测试,确认工具链能跑通并看懂输出目录里的快照和 JSON 日志。
- 照 custom_problem_template.py 写自己的 Organism、Evaluator(注意 is_viable 必须为 True)和 Mutator,再写驱动脚本接进 EvolveProblemLoop。
- 从 2/2 的低并发起步试跑,信任评测器后再把迭代轮数提到 10-20,并用 holdout 失败案例检查过拟合。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- AI工作流
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 专业
- 版本
- main
- 最近更新
- 2026-09-10
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
使用前准备
- 需 Python ≥3.11、git、uv,并配置 OpenRouter、Anthropic 或 OpenAI 的 API Key
- 还要能自己写出可量化的评测器和 Python 驱动脚本。
依赖与权限
- OPENROUTER_API_KEY
- ANTHROPIC_API_KEY
- OPENAI_API_KEY
- 读取用户主动提供的内容