本文整理自 Warp 创始人 Zach Lloyd 分享的一个工程实践如何用”观察者 Skill”自动评估并迭代改进另一个 Skill让 Agent 的能力越用越强而不是一次性交付后就放在那里”等老化”。一、为什么 Skill 需要”自优化”如果你已经在用 Claude / Warp 这类支持 Skill技能包机制的 Agent大概都遇到过这种情况写好一个 Skill跑一次效果不错但总有些边缘案例翻车——可能是某个图标没渲染出来可能是某段逻辑在特定输入下走偏。传统做法是人工发现问题、人工改 Skill 的文档/脚本下次再跑。但这件事本质上是可以自动化的只要任务的产出存在明确的”验证标准”能跑通、能对比、能打分就可以把”评估—发现问题—改进”这个循环交给另一个 Agent 来做。这就是本文要讲的”Skill 优化闭环”。二、案例背景网站迁移 Skill文章作者举的例子很具体他们做了一个名为/replatform-site的 Skill作用是把跑在 WYSIWYG 无代码建站平台上的网站自动迁移成可以自托管的代码项目比如部署到 Vercel。他拿自己新搭的播客网站做了次实测原站在某无代码平台上迁移后的版本部署在 Vercel。整体迁移效果不错但有一个明显的视觉缺陷——页面里几个下拉菜单的图标丢失了。这种”基本能跑、但有具体的、可对比的瑕疵”的场景正是构建优化闭环的最佳土壤。三、核心思路内层循环 vs 外层循环这里有一个很关键的概念区分决定了你应该优化”这一次任务”还是优化”这个 Skill 本身”‎内层循环Inner Loop针对这一次具体的迁移任务做修复确保这个网站迁移成功、没有瑕疵。这是”把这件事做对”。‎外层循环Outer Loop针对 Skill本身做迭代让它下一次执行同类任务时从一开始就表现得更好。这是”让这个能力变得更强”。本文聚焦的是外层循环——也就是怎么让 Skill 自己越用越准。四、具体做法用一个”观察者 Skill”去评估并修改另一个 Skill整套机制的设计模式是创建一个”observer观察者Skill”专门负责给”inner内层Skill”打分、找问题、生成改进方案。具体执行链路是这样的1. 观察者 Skill 接收一批测试输入比如这里是 N 个待迁移的网站列表。数量可以根据你想要的覆盖面去调整——做小范围验证用几个站点即可要打磨出一个能广泛复用的 Skill就要扩大样本量。2. 调用内层 Skill批量执行任务观察者 Skill 会依次或并行调用/replatform-site对列表里的每个网站执行真实的迁移操作。3. 用 Computer Use Browser Use 做自动化质检这一步是整个闭环里最关键的技术细节观察者会把迁移后的网站实际构建起来然后通过computer use计算机操作和 browser use浏览器操作能力去打开原站和迁移后的站点做对比检查‎视觉差异截图比对看排版、图标、样式是否一致‎行为差异交互是否正常比如下拉菜单能不能正常展开。同时它还会记录每次迁移消耗的 token 数量把”质量”和”成本”放在一起权衡——目标不是无脑堆资源去做到完美而是在保证质量的前提下尽量压低成本。4. 用 SOTA 模型做结果综合分析把每一轮的检测结果结构化数据喂给一个能力更强的模型让它去总结出有共性的失败模式比如”图标类资源经常迁移失败”找到可以改进的具体切入点。这里有个细节值得注意观察者 Skill 输出的是结构化数据而不是一段模糊的文字总结。这样才能让后续做分析和建议的模型拿到足够精确的信息给出有针对性的修复方案而不是泛泛而谈。5. 生成 Diff自动改进内层 Skill因为 Skill 本质上就是一组文件Prompt、脚本、配置等所以”改进 Skill”这件事和”改代码”没有本质区别——可以让任意一个编程 Agent文章里用的是 Warp直接对 Skill 的源文件生成 diff甚至提交 PR。在实际跑下来的案例里观察者 Skill 准确定位到了”下拉菜单图标丢失”这个问题并针对性地生成了一版修复/replatform-site的改动。6. 重复直到收益递减如果你想把这个 Skill 打磨到能支撑更大规模的实际使用可以扩大测试样本持续跑这个循环直到观察者每次给出的 diff 变得越来越”无关紧要”——这通常意味着 Skill 已经收敛到一个比较稳定的状态。很重要的一点是观察者 Skill 内置了退出条件exit criteria。不是无限循环跑下去烧 token而是设定明确的停止标准避免过度优化、浪费资源。五、整体架构图六、落地这套方案需要的基础设施要把这个闭环真正跑起来有两个硬性前提‎支持多 Agent 编排的平台观察者 Skill 本身要能调度内层 Skill、调度评分模型、调度改进模型这是一个多步骤、多角色协作的流程不是单轮对话能搞定的。‎支持 Computer Use / Browser Use因为很多任务尤其是涉及网页、UI、可视化产出的任务只看文本输出是判断不出质量好坏的必须要能”像人一样”去点开、去看、去对比。文章作者用的是 Warp 内置的 Oz支持跨多个顶尖模型的 computer use 编排但强调这不是唯一选择市面上有不少平台都能支撑类似能力。七、这套方法的适用边界这套打法不是万能药作者自己也坦诚地指出了局限‎依赖明确的验证标准只有当任务的”对/错”“好/坏”能被自动判断视觉对比、行为测试、单元测试等时这套闭环才跑得起来。如果任务本身评判标准很模糊比如”写一篇更有创意的文案”自动化评分就很难做。‎容易陷入局部最优自动优化本质上是一种局部搜索调优 Skill 本身的提升空间是有限的迭代多轮后可能卡在一个”还不错但不是最好”的状态很难指望它自己跳出这个局部最优。‎需要成本意识如果不设退出条件理论上可以无限循环优化下去实际意义却越来越小纯粹烧 token。八、如果你想自己动手做一遍执行清单把整篇文章的方法论收敛成一份可执行清单建议这样开始‎挑一个有明确验证标准的任务作为试点网页迁移、格式转换、数据抽取等天然适合因为产出可以直接对比。‎先写好”内层 Skill”能跑通基本流程即可不用一开始就完美。‎再写一个”观察者 Skill”让它具备三个能力批量调用内层 Skill 处理一组测试样本用合适的手段截图对比、行为测试、computer use 等对结果打分并输出结构化数据用一个能力更强的模型去综合分析失败模式生成对内层 Skill 的具体修改建议甚至直接生成 diff。‎给观察者 Skill 设定退出条件比如连续两轮 diff 都是无意义的小改动就停止迭代。‎小规模验证后再扩大样本量逐步把 Skill 打磨到可以稳定支撑更广泛的真实场景。‎接受它不是终点这套机制能帮你把 Skill 从”能用”打磨到”好用”但别指望它能无限拔高上限——必要时还是需要人工介入做关键设计决策。写在最后这套方法论真正有价值的地方,不在于”网站迁移”这个具体场景,而在于它示范了一种通用的工程范式:把 Skill 当作可以被测试、被打分、被迭代的”软件资产”来对待,而不是写完就一锤定音的提示词。只要你的任务有办法被自动验证,这个”内层执行—外层观察评分—生成改进—回灾验证”的闭环,几乎可以套用到任何 Agent 能力的打磨上。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】