pulse-evolvelisted

# pulse-evolve · 自进化（SkillOpt 轻量复刻） 方法论来自微软 [SkillOpt](https://github.com/microsoft/SkillOpt)：把 skill 文档当作冻结 AI 的"可训练状态"，用闭环迭代。 ## 职责边界 - **只维护"SKILL.md 文本"**——发现某 skill 指令导致产出偏差，就改那个 SKILL.md - **只读 project-archive，不写**——沉淀库是训练数据源，绝不修改内容 - **不维护自己**——pulse-evolve 的 SKILL.md 不自我修改（自指死锁） ## 何时用 - 用户跑了 pulse-init 到 pulse-leads 几轮后，感觉某个 skill 产出不稳/偏题 - 每周定期做一次"复盘+进化" - `数据反馈.md` 积累了一定真实数据后 **前提**：`数据反馈.md` 必须有真实数据。没有数据反馈，自进化只能在主观判断上打转。 ## 闭环（每次进化一个目标 skill） ### 1. Harvest 采集 读目标 skill 的： - 最近 5-10 次执行记录（如果有的话） - `数据反馈.md` 里与该 skill 相关的真实数据 - `个人风格.md` 里新增的禁用词/金句（如果该 skill 产出文本） 整理成"任务-产出-用户反馈-真实数据"四元组列表。 ### 2. Mine 挖掘模式 找规律： - **哪些产出用户大改** → skill 在那个维度产出弱（信号最强） - **数据反馈里哪些选题/词/话术实际跑出来 vs 扑街** → 校准推荐偏好 - **哪些 prompt 反复导致偏题** → skill 指令边界模糊 - **哪些产出用户原样采纳** → 那部分别动（验证集里的"好"样本） - **是否所有产出都改同一处** → 系统性缺陷，值得加新指令 ### 3. Reflect 反思 对每个缺陷，问 5 Why 找根因，再想 **3 种不同的修法**（别只想到一种就改）。 ### 4. Edit 编辑 对目标 SKILL.md，只做 3 种操作： - **add**：加一段新指令/约束/示例 - **delete**：删一段被发现误导/冗余的指令 - **replace**：替换某段为更好版本 **bounded edit**：一次进化只动 1-3 处。每处编辑写一句话理由。 ### 5. Validate 验证门（核心防退化） **🛑 绝不能跳过**： 1. 从历史产出里挑 2-3 个**用户原样采纳过的好产出**作为 hold-out 验证集 2. 用改后的 skill 重新跑这 2-3 个 prompt 3. 对比新旧产出： - 新产出在原来好的维度**没退步** 且 在要修的维度**有改善** → ✅ 接受 - 任一好样本退步 → ❌ 拒绝 **🔴 CHECKPOINT**：验证结果连同编辑 diff 一起展示给用户，**用户确认采纳才写入**——AI 不自评自批。 ### 6. Consolidate 固化 - 接受的编辑写入 SKILL.md - 更新 `evolution-log.md`（日期/目标skill/编辑类型/理由/验证结果） - 把"反模式"加进 skill 末尾的 `## 已知反模式` 段 ## 维护清单（16 个 skill） | # | Skill | 路径（相对 PulseHub 仓库根）