SKILLEMALL.ai
GitHub ↗ EN Войти

AD evolving-ai-agents

Предоставляет рекомендации по автоматической эволюции и оптимизации ИИ-агентов в любой области с использованием эволюционных алгоритмов на основе LLM. Используйте при создании самосовершенствующихся агентов, оптимизации подсказок и навыков агентов по эталонным показателям или при внедрении автоматизированных циклов оценки агентов.

машинный переводПоказать оригиналСкрыть оригинал«Provides guidance for automatically evolving and optimizing AI agents…»

Provides guidance for automatically evolving and optimizing AI agents across any domain using LLM-driven evolution algorithms. Use when building self-improving agents, optimizing agent prompts and skills against benchmarks, or implementing automated agent evaluation loops.

Orchestra-Research/AI-Research-SKILLs Agent Skills автор: Orchestra-Research MIT 9 файлов тело ≈ 3 482 токенов Открыть источникgithub.com↗ проанализирован 6 дн назад

Предоставляет рекомендации по автоматической эволюции и оптимизации ИИ-агентов в любой области с использованием эволюционных алгоритмов на основе LLM.

Как процесс D 47/100 · Процесс не доведён — слабые места: результат и критерий готовности, входы и предусловия, согласованность

ПроцедураИИ и агентытип и темы размечены автоматически по тексту скилла
Запускается в: Claude / Claude Code ChatGPT / Codex Gemini CLI Cursor GitHub Copilot / VS Code Qwen Code Kimi Code CLI Z.ai (GLM) DeepSeek (Deep Code) Mistral Vibe LangChain (deepagents) OpenClaw Goose OpenCode
JSON
Технический рейтинг
A
97/100
безопасность, качество, тесты
Безопасность 60%
100
Качество 40%
92
Прогон на моделях
не было
Процессный рейтинг
D
47/100
Процесс не доведён
Результат и критерий готовности вес 14
0
Входы и предусловия вес 11
0
Отчётность по ходу вес 2
0
три самых слабых из десяти параметров · все десять

Как улучшить

    Для прогона на моделях — необязательно
    • Свои кейсы (evals/evals.json, 4–6 реальных запросов с ожидаемыми ответами): тогда полная проверка прогонит именно их, а не черновик от модели.
    • spec.yaml с триггерными фразами и утверждениями — контракт поведения для CI; `skilltest init` создаст шаблон.

    Находки guard · 0

    ✓ Критических и высоких находок нет

    Просканировано файлов: 9. Улики замаскированы. Пометки в серых чипах объясняют, почему серьёзность понижена.

    По спецификации Agent Skills

    • заметка frontmatter-key неизвестное поле фронтматтера "dependencies"

    Процессный рейтинг: все десять параметров 47/100

    • 0Результат и критерий готовности. Не сказано, что считать результатом
    • 0Входы и предусловия. Не сказано, что нужно иметь на входе
    • 0Отчётность по ходу. Скилл ничего не сообщает по ходу работы
    • 30Повторный запуск. Изменяющих операций: 3, без проверки текущего состояния
    • 40Согласованность. Имя во frontmatter (evolving-ai-agents) не совпадает с папкой (a-evolve)
    • 50Когда включается. Не сказано, при каком запросе скилл включается
    • 50Ошибки и развилки. Развилок: 0, есть раздел про ошибки
    • 60Инструменты и файлы. Используются инструменты (bash, git), но во frontmatter они не объявлены
    • 100Шаги. Шагов: 48
    • 100Стоимость исполнения. Тело инструкции 3482 токенов
    • low Разделов верхнего уровня: 13. Похоже на несколько доменов в одном скилле

    Всё перечисленное измерено по тексту скилла, а не оценено моделью: цифры проверяемы. Вес параметра тем больше, чем чаще из-за него процесс встаёт.

    Сигналы качества

    • +5В description нет примеров фраз, по которым скилл должен срабатывать
    • +3Формат ответа не описан: модель каждый раз решает сама
    • +2Инструкции на одном языке
    • +4Описание говорит, когда скилл НЕ применять
    • +3Длина description 273 символов: достаточно сигнала, не съедает бюджет
    • +4Структура: 31 заголовков
    • +3Пошаговые инструкции: 48 пунктов
    • +4Есть примеры (10 блоков кода)
    • +4Справочные файлы упоминаются в инструкциях (7 из 8)
    • +1Лицензия указана

    База качества 70; замечания lint вычитаются, сигналы прибавляют до 100. Итог: 92.