Darwinian Evolver

使用 Imbue 的進化循環來演化提示詞（prompts）、正則表達式、SQL 或代碼。

技能元數據

來源	可選 — 使用 hermes skills install official/research/darwinian-evolver 安裝
路徑	optional-skills/research/darwinian-evolver
版本	0.1.0
作者	Bihruze (Asahi0x), Hermes Agent
許可證	MIT
平臺	linux, macos
標籤	evolution, optimization, prompt-engineering, research
相關技能	arxiv, jupyter-live-kernel

參考：完整 SKILL.md

信息

以下是 Hermes 在觸發此技能時加載的完整技能定義。這是技能激活時代理（agent）看到的指令。

Darwinian Evolver

運行 Imbue 的 darwinian_evolver —— 一個 由大語言模型（LLM）驅動的進化搜索循環 —— 以針對適應度函數優化 提示詞、正則表達式、SQL 查詢 或小段代碼。

狀態：上游工具的薄封裝層。該技能會安裝它，引導代理編寫 Problem 定義（生物體 + 評估器 + 變異器）， 並通過上游 CLI 或小型自定義 Python 驅動程序驅動循環。

許可證： 上游工具採用 AGPL-3.0 許可證。本技能僅通過上游 CLI 或 subprocess/uv run 調用 來調用它（ mere aggregation，單純聚合）。切勿將上游類導入 Hermes 本身。

何時使用

• 用戶說“優化這個提示詞”、“為 X 演化一個正則表達式”、“自動改進這段代碼/SQL”、“搜索更好的指令”。
• 你有一個評分器（精確匹配、正則通過率、單元測試、LLM 評判、運行時指標）AND 一個起始候選者（生物體）。如果你沒有評分器，請停止並先定義一個——那是最難的部分。
• 成本可接受：典型運行需要 50–500 次 LLM 調用。在 gpt-4o-mini 上只需幾美分； 在 Claude Sonnet 上可能需要幾美元。

不要在以下情況使用：

• 優化目標是可微分的（使用梯度下降 / DSPy）。
• 你只需要嘗試 2–3 個變體——直接手動編寫它們。
• 適應度信號純粹是主觀的，沒有任何可衡量的標準。

前置條件

• Python ≥3.11
• git, uv（或 pip）
• 以下之一：OPENROUTER_API_KEY, ANTHROPIC_API_KEY, 或 OPENAI_API_KEY

該技能附帶一個小型 parrot_openrouter.py 驅動程序，它通過 OpenAI SDK 使用 OPENROUTER_API_KEY， 因此 OpenRouter 上的任何模型均可使用。上游 CLI 本身硬編碼了 Anthropic 並需要 ANTHROPIC_API_KEY。

安裝（一次性）

通過 terminal 工具運行：

mkdir -p ~/.hermes/cache/darwinian-evolver && cd ~/.hermes/cache/darwinian-evolver
[ -d darwinian_evolver ] || git clone --depth 1 https://github.com/imbue-ai/darwinian_evolver.git
cd darwinian_evolver && uv sync

驗證：

cd ~/.hermes/cache/darwinian-evolver/darwinian_evolver \
  && uv run darwinian_evolver --help | head -5

快速入門 — 內置 Parrot 示例

小型煙霧測試（需要 ANTHROPIC_API_KEY）：

cd ~/.hermes/cache/darwinian-evolver/darwinian_evolver
uv run darwinian_evolver parrot \
  --num_iterations 2 \
  --num_parents_per_iteration 2 \
  --mutator_concurrency 2 --evaluator_concurrency 2 \
  --output_dir /tmp/parrot_demo

輸出：

• /tmp/parrot_demo/snapshots/iteration_N.pkl — 每次迭代的序列化種群
• /tmp/parrot_demo/<jsonl> — 每次迭代的 JSON 日誌（路徑在末尾打印）

在瀏覽器中打開 ~/.hermes/cache/darwinian-evolver/darwinian_evolver/darwinian_evolver/lineage_visualizer.html 並加載 JSON 日誌以查看進化樹。

快速入門 — OpenRouter 驅動程序（無需 Anthropic 密鑰）

該技能附帶 scripts/parrot_openrouter.py —— 相同的 parrot 問題，但 LLM 調用通過 OpenRouter 進行，因此任何提供商均可使用。

# From wherever the skill is installed:
SKILL_DIR=~/.hermes/skills/research/darwinian-evolver
DE_DIR=~/.hermes/cache/darwinian-evolver/darwinian_evolver

cd "$DE_DIR" && \
  EVOLVER_MODEL='openai/gpt-4o-mini' \
  uv run --with openai python "$SKILL_DIR/scripts/parrot_openrouter.py" \
    --num_iterations 3 --num_parents_per_iteration 2 \
    --output_dir /tmp/parrot_or

使用 scripts/show_snapshot.py 檢查結果：

uv run --with openai python "$SKILL_DIR/scripts/show_snapshot.py" \
  /tmp/parrot_or/snapshots/iteration_3.pkl

預期輸出：7 個按分數排名的演化提示詞模板，最佳得分約為 0.6–0.8（種子 Say {{ phrase }} 得分為 0.000）。

定義自定義問題

該技能附帶 templates/custom_problem_template.py —— 複製、編輯、運行。 你必須定義三件事：

1. Organism — 一個 Pydantic BaseModel 子類，持有正在演化的工件（prompt_template: str, regex_pattern: str, sql_query: str, code_block: str 等）。添加一個 run(*args) 方法來執行它。

2. Evaluator — .evaluate(organism) -> EvaluationResult(score=..., trainable_failure_cases=[...], holdout_failure_cases=[...], is_viable=True)。

   • score 範圍在 [0, 1]。越高越好。
   • trainable_failure_cases — 變異器看到的內容。包含足夠的 上下文（輸入、預期、實際）以便 LLM 進行診斷。
   • holdout_failure_cases — 對變異器不可見。使用這些 來檢測過擬合。
   • is_viable=True 除非生物體完全損壞（拋出異常、 返回 None 等）。得分為 0 的生物體也是可行的——它只是在父代選擇中權重降低。

3. Mutator — .mutate(organism, failure_cases, learning_log_entries) -> list[Organism]。 通常：構建一個包含當前生物體 + 失敗案例 + 請求提出修復方案的 LLM 提示詞；解析 LLM 的響應；返回 一個新的 Organism。如果解析失敗則返回 [] —— 循環會處理這種情況。

然後編寫一個驅動腳本，將 Problem(initial_organism, evaluator, [mutators]) 接入 EvolveProblemLoop，並迭代執行 loop.run(num_iterations=N) —— 已提供的 scripts/parrot_openrouter.py 可作為參考。

真正重要的超參數

標誌	默認值	何時更改
--num_iterations	5	一旦你信任評估器，就增加到 10–20
--num_parents_per_iteration	4	為了低成本探索，降至 2
--mutator_concurrency	10	降至 2–4 以避免速率限制
--evaluator_concurrency	10	同上；評估器也會調用 LLM
--batch_size	1	一旦你的變異器能處理多個失敗案例，就提高到 3–5
--verify_mutations	off	一旦變異器變得浪費（根據 Imbue 的說法，後續運行每次可節省 >10× 成本），就開啟
--midpoint_score	p75	除非分數聚集，否則保持不變
--sharpness	10	保持不變

陷阱

1. 初始生物體必須可行 — 即使種子得分為 0，也要在你的 EvaluationResult 中設置 is_viable=True。循環會拒絕不可行的生物體，因為它們意味著循環沒有可進化的基礎。
2. 提供商的內容過濾器會終止運行。 Azure 支持的 OpenRouter 模型會以 HTTP 400 拒絕諸如 "ignore previous instructions" 之類的短語。將 LLM 調用包裹在 try/except 中，並返回 f"<LLM_ERROR: {e}>" — 進化器只會將該生物體評分為 0 並繼續。
3. loop.run() 是一個生成器 — 調用它並不會立即運行任何內容，直到你進行迭代。使用 for snap in loop.run(num_iterations=N):。
4. 快照是嵌套的 pickle 對象。 iteration_N.pkl 包含一個字典，其中有 population_snapshot（更多 pickle 字節）。要反 pickle，你必須確保 Organism 類在其被 pickle 時的相同點號路徑下可導入。
5. 併發默認值過於激進。 10/10 會在大多數提供商處觸發速率限制。從 2/2 開始。
6. CLI 硬編碼為 Anthropic。 uv run darwinian_evolver <problem> 會使用 ANTHROPIC_API_KEY 並調用 Claude Sonnet。要使用任何其他提供商，請編寫像 parrot_openrouter.py 這樣的驅動腳本。
7. AGPL。 切勿在 Hermes 核心內部使用 from darwinian_evolver import ...。位於 ~/.hermes/skills/... 下的自定義驅動腳本屬於用戶側，是允許的。
8. 無 PyPI 包。 pip install darwinian-evolver 會拉取錯誤的東西。始終從 GitHub 倉庫安裝。

驗證

安裝並運行一次 parrot 後，以下命令退出碼為 0 即足夠：

DE_DIR=~/.hermes/cache/darwinian-evolver/darwinian_evolver
ls "$DE_DIR/darwinian_evolver/lineage_visualizer.html" >/dev/null && \
cd "$DE_DIR" && uv run darwinian_evolver --help >/dev/null && \
echo "darwinian-evolver: OK"

參考資料

• Imbue 研究博文
• ARC-AGI-2 結果
• imbue-ai/darwinian_evolver (AGPL-3.0)
• Darwin Gödel Machines
• PromptBreeder