Darwinian Evolver

使用 Imbue 的进化循环来进化提示词/正则表达式/SQL/代码。

技能元数据

来源	可选 —— 使用 hermes skills install official/research/darwinian-evolver 安装
路径	optional-skills/research/darwinian-evolver
版本	0.1.0
作者	Bihruze (Asahi0x), Hermes Agent
许可证	MIT
平台	linux, macos
标签	evolution, optimization, prompt-engineering, research
相关技能	arxiv, jupyter-live-kernel

参考：完整的 SKILL.md

信息

下面是 Hermes 在该技能被触发时加载的完整技能定义。当技能激活时，Agent 会看到这些指令。

Darwinian Evolver

运行 Imbue 的 darwinian_evolver —— 一个由 LLM 驱动的进化搜索循环 —— 以针对适应度函数优化提示词、正则表达式、SQL 查询或小型代码片段。

状态：对上游工具的轻薄封装。该技能会安装它，引导 Agent 编写一个 Problem 定义（organism + evaluator + mutator），并通过上游 CLI 或一个小型自定义 Python 驱动程序驱动循环。

许可证： 上游工具是 AGPL-3.0。该技能仅通过上游 CLI 或 subprocess/uv run 调用（纯粹的聚合）来调用它。请勿将上游类导入 Hermes 本身。

使用时机

• 用户说“优化这个提示词”、“进化一个用于 X 的正则表达式”、“自动改进这段代码/SQL”、“搜索更好的指令”。
• 你有一个评分器（精确匹配、正则通过率、单元测试、LLM 判断、运行时指标） 以及一个初始候选（organism）。如果没有评分器，请先停下来定义一个——这才是最困难的部分。
• 成本可接受：一次典型运行需要 50–500 次 LLM 调用。在 gpt-4o-mini 上只需几分钱；在 Claude Sonnet 上可能花费几美元。

不要在以下情况下使用：

• 优化目标可微分（请使用梯度下降 / DSPy）。
• 你只需要尝试 2–3 个变体——直接手动编写即可。
• 适应度信号纯粹是主观的，没有可衡量的标准。

先决条件

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

该技能附带了一个小型 parrot_openrouter.py 驱动程序，通过 OpenAI SDK 使用 OPENROUTER_API_KEY，因此 OpenRouter 上的任何模型都可以工作。上游 CLI 本身硬编码了 Anthropic，需要 ANTHROPIC_API_KEY。

安装（一次性）

通过 terminal 工具运行：

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

验证：

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

快速入门 — 内置的 Parrot 示例

小型冒烟测试（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

输出：

• /tmp/parrot_demo/snapshots/iteration_N.pkl — 每轮迭代的 pickle 格式种群
• /tmp/parrot_demo/<jsonl> — 每轮迭代的 JSON 日志（路径会在末尾打印）

在浏览器中打开 ~/.hermes/cache/darwinian-evolver/darwinian_evolver/darwinian_evolver/lineage_visualizer.html 并加载 JSON 日志，即可查看进化树。

快速入门 — OpenRouter 驱动（无需 Anthropic 密钥）

技能附带 scripts/parrot_openrouter.py — 与 parrot 问题相同，但 LLM 调用通过 OpenRouter，因此任何提供商都能工作。

# 无论技能安装在哪里：
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 查看结果：

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

预期输出：7 个按分数排序的进化提示模板，最佳得分在 0.6–0.8 左右（种子 Say {{ phrase }} 得分为 0.000）。

定义自定义问题

技能附带 templates/custom_problem_template.py — 复制、编辑、运行。你需要定义三样东西：

1. Organism — 一个 Pydantic BaseModel 子类，保存正在进化的工件（prompt_template: str、regex_pattern: str、sql_query: str、code_block: str 等）。添加一个 run(*args) 方法来运行它。

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

   • score 在 [0, 1] 之间，数值越高越好。
   • trainable_failure_cases — 变异器看到的内容。包含足够的上下文（输入、期望、实际）供 LLM 诊断。
   • holdout_failure_cases — 不让变异器看到。用于检测过拟合。
   • is_viable=True — 除非 Organism 完全损坏（引发异常、返回 None 等），否则保持 True。一个得分为 0 的可行 Organism 是没问题的——它在父体选择时权重会降低。

3. Mutator — .mutate(organism, failure_cases, learning_log_entries) -> list[Organism]。 通常做法：构建一个 LLM 提示，包含当前 Organism + 一个失败案例 + 要求提出修复方案；解析 LLM 的响应；返回一个新的 Organism。如果解析失败则返回 [] — 循环会处理这种情况。 然后编写一个驱动脚本，将 Problem(initial_organism, evaluator, [mutators]) 接入 EvolveProblemLoop，并迭代执行 loop.run(num_iterations=N) —— 附带的 scripts/parrot_openrouter.py 可作为参考。

真正重要的超参数

参数	默认值	何时调整
--num_iterations	5	当你信任评估器后，可提升至 10–20
--num_parents_per_iteration	4	为了低成本探索，可降至 2
--mutator_concurrency	10	为避免速率限制，可降至 2–4
--evaluator_concurrency	10	同理；评估器也会调用 LLM
--batch_size	1	当你的 mutator 能处理多个失败时，可提升至 3–5
--verify_mutations	关闭	当 mutator 变得低效时开启（根据 Imbue 的经验，后续运行可节省 10 倍以上成本）
--midpoint_score	p75	除非分数过于集中，否则保持默认
--sharpness	10	保持默认

常见陷阱

1. 初始生物必须可存活 —— 即使种子得分为 0，也要在 EvaluationResult 中设置 is_viable=True。循环会拒绝不可存活的生物，因为这意味着循环没有可进化的起点。
2. 提供者的内容过滤器会中断运行。 基于 Azure 的 OpenRouter 模型会拒绝包含 "ignore previous instructions" 等短语的请求，并返回 HTTP 400。请将 LLM 调用包裹在 try/except 中，并返回 f"<LLM_ERROR: {e}>" —— 进化器会将该生物评分为 0 并继续运行。
3. loop.run() 是一个生成器 —— 调用它不会立即执行任何操作，直到你开始迭代。请使用 for snap in loop.run(num_iterations=N):。
4. 快照是嵌套的 pickle 文件。 iteration_N.pkl 包含一个字典，其中包含 population_snapshot（更多 pickle 字节）。要解 pickle，你必须确保 Organism 类在与其被 pickle 时相同的点分路径下可导入。
5. 并发默认值过于激进。 10/10 的并发设置会在大多数提供者上触发速率限制。建议从 2/2 开始。
6. CLI 硬编码为 Anthropic。 uv run darwinian_evolver <problem> 会查找 ANTHROPIC_API_KEY 并使用 Claude Sonnet。要使用其他提供者，请编写类似 parrot_openrouter.py 的驱动脚本。
7. AGPL 许可证。 切勿在 Hermes 核心内部使用 from darwinian_evolver import ...。位于 ~/.hermes/skills/... 下的自定义驱动脚本属于用户侧，没有问题。
8. 没有 PyPI 包。 pip install darwinian-evolver 会安装错误的内容。请始终从 GitHub 仓库安装。

验证

安装并完成一次 parrot 运行后，以下命令返回退出码 0 即表示验证通过：

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"

参考资料

• Imbue 研究文章
• ARC-AGI-2 结果
• imbue-ai/darwinian_evolver (AGPL-3.0)
• Darwin Gödel Machines
• PromptBreeder