---
name: evolving
description: >
  Skill 进化循环 Skill。执行目标 Skill → 调用 benchmark-evaluator 评分 →
  分数 ≥ 90 则输出最终结果给用户 → 分数 < 90 则分析弱项、改写 Skill prompt、
  重新执行并评分，反复循环直至达标。负责 Innovator 系统的强化学习小循环。
  Use when: 需要迭代优化 Skill prompt 直到达到质量阈值。
---

# Evolving Skill

循环优化: 执行 → 评分 → 分析 → 改写 → 重复，直到 ≥ 90 分。

## 输入

- `skillName`: 目标 Skill 名称
- `skillPrompt`: 当前 SKILL.md 内容
- `knowhow`: knowhow.md 内容
- `benchmarkDef`: benchmark.md 内容
- `testTask`: 测试任务
- `passThreshold`: 通过阈值 (**硬性最低标准 90，禁止传入低于 90 的值**)
- `maxIterations`: 最大迭代次数 (默认 10)

## 执行流程

```
for iteration = 1 to maxIterations:
  1. 执行: 用当前 skillPrompt 执行 testTask → result
  2. 评分: 调用 benchmark-evaluator(benchmarkDef, result, testTask) → score
  3. 判断:
     - score ≥ passThreshold → 输出最终结果，停止 ✅
     - score < passThreshold → 继续
  4. 分析: 找出弱项维度 (score < 70 的)
  5. 改写: 针对弱项修改 skillPrompt
  6. 记录: 保存 evolve/v{N}/ 下的所有产物
  7. 回到步骤 1
```

## 分析与改写逻辑

### 弱项分析
对每个得分 < 70 的维度：
1. **根因追溯**: 找到 SKILL.md 中导致弱项的具体部分
2. **改进策略**: 基于 knowhow 确定改进方向
3. **最小化修改**: 只改弱项相关部分，保留高分部分

### 版本号规则
- **patch** (+0.0.1): 措辞、格式微调
- **minor** (+0.1.0): 方法论步骤变更、新增检查项

## 输出格式 (每次迭代)

```json
{
  "iteration": 3,
  "score": 88,
  "passed": false,
  "analysis": {
    "weakDimensions": [
      {
        "dimension": "维度名",
        "currentScore": 55,
        "rootCause": "SKILL.md 中 Methodology 第 3 步缺少 X",
        "improvement": "增加 Y 步骤"
      }
    ],
    "overallStrategy": "本次迭代的总体改进策略"
  },
  "patch": {
    "versionBump": "minor",
    "newVersion": "1.1.0",
    "newSkillPrompt": "改进后的 SKILL.md 完整内容",
    "changeDescription": "做了哪些修改",
    "reasoning": "为什么这些修改能解决问题"
  }
}
```

## 最终输出 (达标时)

```json
{
  "success": true,
  "finalScore": 92,
  "finalVersion": "1.2.0",
  "totalIterations": 5,
  "result": "最终的任务输出内容",
  "skillPrompt": "最终版 SKILL.md 内容"
}
```

## 停止条件

| 条件 | 结果 |
|------|------|
| `score ≥ passThreshold` | 达标，输出最终结果 ✅ |
| `iterations ≥ maxIterations` | 超时，输出当前最佳 ⚠️ |
| 连续 3 次分数变化 < 2 分 | 停滞，停止迭代 ⚠️ |

## evolve 目录产物

```
evolve/
├── evolve_log.md
├── v1/
│   ├── skill.md        ← 本版本 Skill 快照
│   ├── result.md       ← 执行输出
│   ├── score.json      ← 评分详情
│   └── analysis.md     ← 弱项分析
├── v2/
│   └── ...
└── v{N}/
```

## 注意

1. **避免重复**: 查看 previousIterations，避免重复已失败的策略
2. **保留有效**: 得分高于 70 的维度不要动
3. **具体化**: 改进建议要具体（如 "在第 3 步之后增加人物心理描写子步骤"）
4. **可追溯**: 每次迭代完整保存所有产物

---

## Skill Tree 分层规则

创建或改写 SKILL.md 时，**必须**根据能力复杂度分配层级：

### 分类判定

| 条件 | 层级 | 前缀 | 说明 |
|------|------|------|------|
| 只做一件原子操作，无外部 Skill 依赖 | L1 | `l1-` | 极少创建，已有10个预建 |
| 组合 2-3 个 L1 解决小任务 | L2 | `l2-` | 如 l2-web-research |
| 完整业务场景，多步编排，含 L2+L1 | L3 | `l3-` | 大部分用户需求 |

### SKILL.md 必须包含的字段

```yaml
---
name: l3-xxx
layer: 3
dependencies:
  - l2-web-research
  - l1-text-transform
  - l1-kv-store
---
```

### 可用的 L1 原子技能库

| 类别 | 技能 | 能力 |
|------|------|------|
| 感知 | `l1-web-fetch` | curl 抓取网页，HTML→Markdown |
| 感知 | `l1-file-read` | 读取 CSV/Excel/PDF/文本 |
| 感知 | `l1-search-engine` | DuckDuckGo 免费搜索 |
| 处理 | `l1-data-extract` | LLM 结构化数据提取 |
| 处理 | `l1-text-transform` | 摘要/翻译/改写/格式转换 |
| 处理 | `l1-diff-checker` | 文本/数据比对 |
| 工具 | `l1-shell-exec` | 运行 Python/Node/Shell |
| 工具 | `l1-api-request` | REST API 调用 |
| 交付 | `l1-webhook-push` | 飞书/Slack/钉钉/Discord 推送 |
| 记忆 | `l1-kv-store` | 本地 JSON KV 持久化存储 |

### 可用的 L2 复合技能

| 技能 | 组合 |
|------|------|
| `l2-web-research` | search + fetch + extract |
| `l2-digest` | data-extract + text-transform + file-read + diff-checker |

### 依赖声明规则

1. L2 只能依赖 L1
2. L3 可以依赖 L2 + L1
3. 相同功能必须复用已有 L1，不能重新实现
4. 在 SKILL.md 中用「依赖技能」表格列出每个依赖的作用
5. 系统自动将 `layer` 和 `dependencies` 信息注册到 SQLite 数据库（通过 YAML frontmatter 解析）

---

## 输出协议（系统必须）

你的输出最后**必须**以 `[RESULT: DONE/ERROR]...[/RESULT]` 标记收尾。

**成功：**
```
[RESULT: DONE]
完成说明：
- 最终分数: {score}
- 最终版本: {version}
- 迭代次数: {N}
[/RESULT]
```

**失败：**
```
[RESULT: ERROR]
错误说明：
- 什么出错了
[/RESULT]
```