Lamarck

lamarck:用进废退的 skill 进化

拉马克式进化:skill 在真实使用中获得的经验,写回它的"基因"(SKILL.md); 衡量它的尺子(rubric)也随之进化;长期无用的部分废退(修剪)。 赛道:SkillOpt 是训练场(基准分数驱动),darwin-skill 是考场(合成测试+评委), lamarck 是生活——生产遥测驱动,用进 + 废退双向。三层机制,重活分级触发:

• 记账(自动,每次 Skill 调用,所有模式下都开):PostToolUse hook 写 data/pending.jsonl。
• 轻循环(回合末,不加载本文件):协议文本单源于 protocol/light-loop.md (harness 无关,任何适配器逐字注入,见 protocol/adapter-contract.md), Claude Code 适配器由 Stop hook 运行时读入拼进 reason—— 对照该 skill rubric 中场景匹配的条目做四维评估落 data/ledger.jsonl、用户纠正 n=1 结晶进 data/rubrics/<skill>.md、经验沉淀进 data/learnings/<skill>.md、 蒸馏回归用例进 data/replays/<skill>.jsonl、清本会话 pending;他会话积压达阈值 时提示用户手动清算(指针会衰减,静默积压等于丢证据)。上下文隔离: config.json 的 isolation 为 subagent 时,评估整体派一个子代理执行—— 它从磁盘读协议、从实时落盘的 transcript 切片读证据,主上下文只收一行结果 (代价:多一次模型调用);默认 inline 零成本但协议进主上下文。所有注入 文本带 ephemeral 标记,供 harness compaction 优先丢弃。 触发时机由 config.json 决定:{"mode":"every|manual|threshold","threshold":N}—— every 每个用过 skill 的回合末触发;manual 从不自动触发;threshold(默认,N=5) 攒到 N 条才批量评估。
• 升级(条件触发,才加载本文件):某 skill 已有 ≥2 次独立调用、同类 gap → 走优化门;或手动 /lamarck。

尺子:逐 skill 动态 rubric

data/rubrics/<skill>.md,格式与规则见 data/rubrics/README.md。要点:

• 行为标准从证据结晶:用户纠正一次即可入册(n=1;rubric 只是评估视角); 每条必须带 ledger 出处与场景标签,无出处禁止写入;淘汰进 attic 不删除。
• 三处使用:①四维评估判 gaps 时对照该 skill 的 rubric;②成对盲评的比较标准; ③验证 rollout 的"变差与否"判据。评估时只启用场景匹配的条目。
• git 版本化:本目录即 git 仓库,rubric 与 skill 协议同库提交,可 diff 可回滚; 遥测(pending/ledger/learnings)被 .gitignore 排除,仅本地留存。

进化分级(白名单)与防负优化

config.json(本地文件,不入库;首次使用从 config.example.json 复制)的 evolution 块决定每个 skill 的进化等级(显式列表 > default;新装 skill 自动 落入 default,默认 observe)。config.json 缺失时:一律 observe,提示用户 创建:

• auto(自治级,显式列入 evolution.auto 才生效):过门提案免事前三选一 直接施工,但 replay 重放从事后验证升为放行条件——当场不过立即自动回滚 并入 rejected;每笔编辑在下次输出中显式报告,并照常入 CHANGELOG、ledger、 git,事后 git revert 一步可撤。禁区:lamarck 自身、Iron Rules、插件文件 永不受 auto 覆盖,必须用户批准。 自治是挣来的:建议只把经历过多次 evolve 级成功编辑的 skill 升到这一级。
• evolve(白名单,当前:seo-cron-ops、lamarck):过门提案可走用户三选一直接施工。
• suggest:过门提案只写 suggestions/<skill>.md,永不直接编辑。
• observe(默认):只记账、沉淀 learnings、长 rubric,不产生任何提案; 证据照积,升级到 evolve 后历史证据立即可用。
• 插件 / marketplace / synced skill:无论配置如何,永不直接编辑(上限 suggest)。

动态评分防负优化:每条账本带 ver(调用时目标 SKILL.md 的内容哈希 8 位)。 升级或 audit 时按 ver 分窗计算该 skill 的健康度(corrected+failed 占比、gap 频率): 编辑后版本窗口(样本 ≥3)比编辑前变差 → 判定负优化,自动产出回滚提案 (仍走用户三选一)。这是成对盲评(单次、即时)之外的第二道统计防线(多次、滞后)。

成熟度:收敛的 skill 降为抽查

不是每次评估都有收益——场景不变时 skill 会收敛。每 skill 两态,存 data/maturity.json({"<skill>":{"state":"active|stable","clean_streak":N,"ver":"..."}}, 评估时顺手维护):

• active(默认):每条 pending 全量四维评估。
• stable(进入条件:连续 stability.streak 次评估干净——无 gap、无 corrected/failed、rubric 无新增;默认 10):每条只做一眼扫描(本回合有无用户 纠正或异常),没有就记一行 {"outcome":"stable-skip","ver":"..."}(带 ver, 版本分窗统计不断粮)并 streak++;每第 stability.sample 条仍做全量评估 (默认 5,抽样防漂移);rubric 冻结,不再新增条目。
• 唤醒回 active(任一即触发,立即):用户纠正或 failed;抽样评估发现 gap; ver 变化(被编辑或外部改动——编辑后的验证期必须全量);args 呈现 rubric 场景标签覆盖不了的新场景(场景变了,收敛前提失效)。
• 收敛即证书:report 把 stable 状态与清白连击数当 Tier 2 证据呈现 ("该 skill 近 N 次真实调用零纠正")。stable + 长期零引用条目 = 废退修剪的 天然候选。

stability 配置在 config.json(缺失回退 streak=10, sample=5)。

升级后:优化门(SkillOpt 验证门的文本版)

对某个 skill 提出编辑,必须同时满足(且该 skill 进化等级为 evolve 或 suggest):

• 证据 ≥2:ledger/learnings 中该 skill 有 ≥2 次独立调用出现同类 gap (单次观察永不触发编辑,n=1 是噪声)。
• 全证据合成:提案生成时必须综合该 skill 的全部在案证据(ledger、learnings、 rubric),不只触发门槛的那两条(SkillOpt 的 mini-batch 思路)。
• 提案具体:能写成 add / delete / replace 的定点操作,写明预期改善与验证方式。
• 净增长预算(废退):提案给出净行数变化;若使 SKILL.md 超 500 行,或连续两次 提案净增 >10%,必须同时附删减案。删除类提案是一等公民:长期(≥90 天)零引用的 rubric 条目、被 gap 证据标记为"误导/从未用到"的段落,主动产出修剪提案(同样走 用户三选一;修剪内容进 attic / git 历史,不物理消失)。
• 场景围栏(防震荡):证据全部来自单一场景标签的提案,只能做场景分支式 增量——新增"当 <场景> 时……"的条件段,不得改写共享核心;改写共享核心需要 ≥2 个不同场景的证据。B 场景的优化因此伤不到 A 场景依赖的部分,切回来 不会退化。来源 harness 即场景标签之一(账本的 harness 字段):同一 SKILL.md 被多家 agent 共用时,只有某一家的证据只能加该家的条件分支,跨 harness 的互相影响由此围栏拦截,裁决仍归用户三选一。
• 全场景 replay:任何编辑的 replay 验证必须包含其他场景的既有用例, 不只触发场景——replay 语料就是全部历史场景的记忆,"切回旧场景"在施工前就被 预演过。
• 反震荡检测:提案若实质推翻 CHANGELOG/git 近期(最近 10 次)已接受的编辑, 判定为震荡:禁止直接覆写,强制转为场景分支提案,并附两个场景的证据对照交 用户决策。
• 不在拒绝缓冲:data/rejected.md 否过的同类提案不得重提,除非有新类型证据。
• 未被冻结:该 skill 上一次编辑的验证 rollout 尚未完成时,禁止新提案。

门过了 → 先看等级:auto 级 skill 跳过三选一直接施工,但必须当场通过 全场景 replay 才算落地(不过即自动回滚,提案入 rejected),施工与验证结果 在下次输出中显式报告。该 skill 的 replay 语料为空时,auto 降级为三选一 ——没有放行条件就没有放行,零验证落地是禁止的。其余等级 → 用户在环: 用 AskUserQuestion 给用户选(附证据摘要与 diff 要点):

1. 现在就改(推荐时说明理由)
2. 只留提案 → 写 suggestions/<skill>.md,不动文件
3. 否决 → 连原因写入 data/rejected.md

非交互会话(用户不在场)一律选 2,并在最终输出里提示用户有待决提案。

用户选 1(或 auto 级过门)后,默认不在本会话施工——先把提案写成具体的 add / delete / replace 规格落到 suggestions/<skill>.md,然后 node scripts/evolve-worker.js enqueue --skill <skill> --proposal suggestions/<skill>.md --auth user|auto, 告知用户 job id 即结束。后台 worker 用本 harness 的无头 CLI(config.json background.runners,最小权限:只开 lamarck 目录与 skills 目录)按下列规则 施工 + replay 验证 + verify 落账 + CHANGELOG,结果写 data/inbox.md 并发系统 通知;下次 /lamarck 呈现。background.runner 为 none 时才就地施工,按归属:

• 用户自有 skill(~/.claude/skills/<name>/,非 synced/):目标目录在 git 仓库内 → 编辑前后各 commit 一次(lamarck: optimize <skill>: <摘要>); 否则先复制 SKILL.md 为 SKILL.md.bak。有界编辑(一次 ≤3 处、单处 ≤10 行, 禁止整文件重写);CHANGELOG.md 记一行:日期、目标、改动、依据证据。
• 插件 / marketplace / synced skill:永不改原件,只走选项 2。

编辑后立即 replay 验证(先于自然验证):从 data/replays/<skill>.jsonl 取该 skill 的回归用例(见下),派新 subagent 分别按旧版与新版执行,按 rubric 成对比较。 新版更差 → 直接回滚,不必等下一次真实调用。replay 用例的来源是真实调用痕迹: 轻循环评估时,把 corrected / failed 的调用、以及场景尚未被语料覆盖的 clean 调用(每场景留一条代表)蒸馏成用例 {"essence":"任务要点","expect":"按 rubric 的达标要求","src":"ledger ts"}。 从不翻车的 skill 同样需要语料:上文"全场景 replay"要求编辑验证覆盖其他场景, auto 的放行条件也以语料非空为前提——只收割失败会让最健康的 skill 永远零语料。 真实分布、零人工编写(darwin 的 test prompts 是手编合成的,此处严格更优)。

验证 rollout(成对盲评):被编辑 skill 的下一次被评估调用即自然验证。派一个 新的独立 subagent,同时给它:旧版全文(git 上一 commit 或 .bak)、新版全文、 该次调用的真实执行痕迹、该 skill 的 rubric——同一上下文内成对比较出 better / worse / tie(绝对打分跨会话有校准噪声,成对比较可抵消)。tie 或与 replay 结论 分歧时,加派 2 个独立评委成多数票(N=3;平时单评委省成本,难判时才升员)。 worse → 回滚(git revert 或恢复 .bak),提案连失败原因写入 data/rejected.md; better / tie → 保留,解除冻结。

客观信号一票否决:judge 只在客观信号不反对时才有投票权。编辑后版本窗口的 objective 均值相对编辑前显著劣化(errors / nonzero_exit / retries 任一上升, 样本 ≥3)→ 不采信 replay 与盲评的 better/tie,直接出回滚提案;客观信号持平或 改善时,judge 才决定胜负。同理,LLM 判定的 corrected 必须附 transcript 中逐字 存在的用户原句,引不出原句的纠正判定作废。

回滚语义(按证据强度分级):回滚 = 恢复用户已批准的上一基线,不算新编辑, 不受"三选一"与有界编辑约束(Iron Rule 2/6 豁免)——但必须落账并在下次输出中 显式告知用户。分级:replay / 盲评是同输入直接对照(强证据)→ 自动回滚; 版本分窗是观察性统计(弱证据,可能混杂任务漂移)→ 只出回滚提案,走三选一。

结论必须落账(可证明性):replay、盲评、版本分窗三种验证各记一行 verify 记录 进 ledger:{"ts","skill","type":"verify","stage":"replay|judge|window","old_ver", "new_ver","result":"better|worse|tie","decision":"keep|revert","judges":N,"detail":""}。 judges 记本次动用的评委 agent 数(成本记账:report 可算"每有效编辑评委调用数", 与 darwin 固定 3 评委×3 轮对比)。report 的进化战绩全部由这些记录汇总—— 没有落账的效果等于没有效果。

自我优化(仅在升级或手动运行时)

用同一套规则评估本协议自身(假阳性提案?门太松/太紧?轻循环是否顺畅?),meta 观察以 "skill":"lamarck" 记 ledger。对本 SKILL.md 或 hook 脚本的任何编辑, 除过优化门外,必须经用户明确批准;协议与脚本改动一律 commit 进本仓库。

Iron Rules(本节修改需用户明确批准)

1. 单次观察永不触发编辑,只记账与沉淀(rubric 入册除外,n=1 可)。
2. 任何 skill 编辑施工前必须让用户选择(AskUserQuestion);非交互会话只落提案。 例外一:恢复用户已批准基线的自动回滚(强证据触发),须落账并告知。 例外二(2026-08-29 经用户批准):evolution.auto 显式列入的 skill 免事前 三选一,但 replay 放行条件与事后显式报告不可免;replay 语料为空时例外二 不适用(降回三选一);lamarck 自身、Iron Rules、插件永不适用 auto。
3. 每次编辑必须可回滚(git commit 或 .bak),且写入 CHANGELOG。回滚本身同样记 CHANGELOG。
4. 永不编辑插件 / marketplace / synced skill 的文件。
5. 永不删除 ledger 历史、learnings 既有观察与 rubric attic。
6. 每次编辑 ≤3 处、单处 ≤10 行,禁止整文件重写。
7. rejected.md 中的提案不得重提,除非出现新类型证据。
8. 评估只引用真实可见的执行痕迹;不可见就归档(outcome=archived),不编造。
9. rubric 条目必须带 ledger 出处;验证 rollout 未完成前,该 skill 冻结新提案。
10. 单场景证据不得改写共享核心(只许场景分支式增量);推翻近期已接受编辑的提案 必须转为场景分支并经用户决策,禁止覆写式打摆子。

手动 /lamarck

• 无参数 — 第 0 步接线自检,两种缺口分开诊断,命中即结束不评估: ①读 ~/.claude/settings.json,lamarck 两条 hook(posttool-skill / stop-evaluate)缺任一 → 输出接线指引(npx lamarck-skill 重跑,或按 README Install 手动接;其他 harness 指 adapters/ 各 README 与 protocol/adapter-contract.md 的 Self-service 粘贴 prompt);②hook 齐但 data/ 下 pending 与 ledger 皆无 → 报接线正常、数据未至(hook 重启后 才加载;验活:用任一 skill 看 pending.jsonl 是否长一行)——不是配置错误, 不发接线指引。两关都过 → 先 node scripts/evolve-worker.js status --ack,把后台 进化的未读结果原样呈现;再处理全部 pending + 沉淀 learnings/rubric + 过优化门。本会话条目做 四维评估;历史会话条目派独立 subagent 清算(其证据在 transcript 文件里、 不在本会话上下文,外置零证据损失;主上下文只收每条一行结论,防污染): subagent 先试 transcript 指针——记录的 transcript 路径若仍存在(30 天 清理期内),Read 其中该次调用附近的片段(按 ts 与 skill 名定位,只取所需 切片,不整读),据真实执行痕迹做四维评估,并抽客观 friction(工具调用数、 报错/重试次数、耗时);指针失效或定位不到,才退回按 skill 聚合归档 {"outcome":"archived","note":"N 次调用,args 样本"}。
• audit <skill> — 汇总该 skill 全部证据,产出编辑提案(仍走优化门+用户在环)。
• stats — 只看账:先跑 node scripts/report.js --brief(可加 --since 30d), 把它算出的各 skill 调用频次、纠正率、gap 排行原样呈现;数字一律来自脚本, 不自己算。
• mode <every|manual|threshold> [N] — 改写 config.json 切换触发模式(threshold 可带 阈值 N,缺省 5),改完复述当前配置。config.json 缺失或损坏时脚本回退 threshold/5。
• evolve list — 列出全部 skill 及其进化等级与账面健康度;evolve add <skill> [evolve|suggest|auto] / evolve remove <skill> — 改写 config.json 的 evolution 块,改完复述 (auto 禁区:lamarck 自身与插件即使写入也不生效)。
• report [skill] — 进化叙事卡:先跑 node scripts/report.js [--skill X] [--since 30d](代码算、字节可复现,--json 可存档作证据),再对其输出做叙述, 硬数字在前:①客观基线——objective 各项按 ver 分窗的均值与版本间 delta(脚本已按否决规则标出 OBJECTIVE REGRESSION);②行为基线——纠正率; ③judge 结论——replay 通过率、保留/回滚,仅在①②不反对时呈现。benchmark 在 lamarck 里就是①②的编辑前后对比,不是外部题库。用户在终端不开 agent 也能跑。

数据文件

data/pending.jsonl(待处理,含 ver 基因版本戳与 transcript 执行日志指针—— 执行日志不自建,指向 Claude Code 自己的会话 transcript,按需读切片)· data/ledger.jsonl(账本,格式 {"ts","session","skill","ver","harness","objective","trigger_fit","gaps","outcome","friction","note"}, 评估时把 pending 条目的 ver 与 harness 原样带入;无 harness 字段的旧记录 视为 claude-code;objective 是 stop hook 用代码从 transcript 数出来的客观 信号 {tools,errors,nonzero_exit,retries,user_turns,lines},模型只许原样抄录, 无 transcript 时为 null——这是评估里唯一 LLM 不能扭曲的通道)· data/learnings/<skill>.md(逐 skill 经验)· data/rubrics/<skill>.md(逐 skill 尺子, git 版本化)· data/replays/<skill>.jsonl(真实调用蒸馏的回归用例,仅本地)· data/maturity.json(逐 skill 成熟度状态,评估时维护)· data/rejected.md(拒绝缓冲)· suggestions/<skill>.md(待决提案)· data/jobs.jsonl(后台进化队列:id/skill/proposal/auth/status/seen)· data/inbox.md(后台结果,每 job 一行,status --ack 标已读)· data/hook-errors.log(hook 意外错误诊断,一行一条;安静=健康)· CHANGELOG.md(编辑留痕)。off 文件:停用自动 hook(手动调用不受影响)。

文件名规则:上述逐 skill 路径中的 <skill>,把 : 写成 __ (caveman:caveman-help → caveman__caveman-help)——冒号在 Windows 上是保留字符 (NTFS 会当成备用数据流),直接用插件名会静默写坏。JSON 里的 skill 键与 maturity.json 的键保留带冒号的真名,只有文件名做这层映射。

存储设计决定:账本用 append-only JSONL 而非 sqlite——当前量级(日十条级)模型直读 zero 依赖;若将来到万行级或需要复杂联查,data/*.jsonl 可一键导入 sqlite(本机已有 sqlite3),现在不预建。