Darwin Skill
Skill méta qui optimise tes autres skills : il prend un skill existant, le fait tourner sur des cas, évalue le résultat, propose une version améliorée, la teste, puis garde l'amélioration ou rollback si elle régresse. Boucle évaluer → améliorer → tester → garder-ou-annuler, inspirée de l'autoresearch de Karpathy (un agent qui s'améliore en boucle). Sa v2.0 (28 mai 2026) reprend le cadre de validation de SkillOpt (Microsoft Research), et le dépôt de SkillOpt cite Darwin parmi ses intégrations. L'argument « il optimise tes skills pendant que tu dors » ne tient plus en v2.0 : chaque phase s'arrête sur un point de contrôle et attend ta validation avant de continuer.
Forces
- Boucle évolutionnaire avec rollback : seules les versions prouvées meilleures sont conservées
- Reprend le cadre de validation de SkillOpt (Microsoft Research), qui cite Darwin parmi ses intégrations : une modification ne passe que si elle bat la version précédente
- Automatise un travail de tuning fastidieux que personne ne fait à la main sur ses skills
- Grille explicite sur 100 points en 9 dimensions : 59 pour la structure, lue en statique, 35 pour l'effet, dont 23 pour les résultats mesurés en faisant tourner des prompts de test avec et sans le skill, et 6 pour la liste de ce qu'il ne faut pas faire. Des sous-agents indépendants notent chaque nouvelle version, pour que le modèle qui corrige ne soit pas celui qui juge. Un skill qui brille à la relecture mais échoue à l'usage ne passe donc pas
Limites
- Sans set d'évaluation représentatif, il optimise pour la mauvaise métrique : le harnais de test est ta responsabilité
- Récent et niche : peu de retours en production, prudence avant de l'automatiser sur des skills critiques
Pour qui
- Builders de skills qui ont déjà une bibliothèque interne et veulent la durcir sans tuning manuel
- Équipes plateforme IA qui industrialisent la maintenance d'un catalogue de skills partagés
- Tech leads curieux du pattern agent auto-améliorant qui veulent un cas concret à expérimenter