Aeon自我进化指南：create-skill与autoresearch如何为自己编写并迭代新技能

Aeon 是一个在 GitHub Actions 上无人值守运行的自主 AI agent 框架。它的核心亮点之一，就是自我进化（self-evolution）能力：框架内置的create-skill和autoresearch两个技能，能让 Aeon 用一句自然语言为自己编写全新的技能，并持续对已有技能进行"变异—评分—择优"的迭代升级——配置一次，永久生效。

在 Aeon 中，一个技能（skill）本质上就是一个SKILL.md文件：Markdown 正文 + YAML frontmatter，描述"读什么、查什么、输出什么"。技能之间没有复杂的框架代码，因此"让 agent 自己写技能"变成了一件可行且可控的事。

Aeon 自我进化：Evolution 技能包在做什么？

Aeon 将技能分为多个技能包（pack），其中Evolution（进化）包就是"自我改进循环"的载体，共包含 9 个技能：create-skill、autoresearch、self-improve、skill-health、skill-repair等。

整个自我进化可以概括为两条主线：

• 创造：create-skill从一句话需求生成一个生产级新技能
• 进化：autoresearch对已有技能生成 4 个改进变体，评分后择优替换

再配合skill-health（检测）→skill-repair（修复）的自愈闭环，Aeon 不仅能"长新技能"，还能保证"旧技能不退化"。详见 docs/CORE.md 中Self-evolution & self-healing一节的完整描述。

create-skill：一句话生成生产级技能

create-skill的输入只需一个变量${var}——一段自然语言描述，例如：

"monitor Hacker News for AI papers and send a summary"

然后它会完成以下工作（完整流程见 skills/create-skill/SKILL.md）：

1. 解析需求 + 深度查重

先提取动作动词、数据源、输出格式、可配置参数和运行频率；再用关键词扫描skills/目录下所有现有技能，读取最相似的 Top 3 候选并判断：如果某个已有技能换个var=就能满足需求，就直接放弃新建，退出码CREATE_SKILL_DUPLICATE，避免技能库膨胀。

2. 调研数据源 + 密钥守卫

• 通过 WebSearch + WebFetch 调研每个 API 的官方文档、端点、鉴权方式和速率限制，并交叉验证端点没有弃用
• 只读取仓库中已配置密钥的名称（永不接触值）：如果新技能需要的密钥尚未配置，会强制新技能"优雅降级"，并把所需密钥清单写进 PR 说明

3. 六维质量自检 + dry-run 门禁

生成的 SKILL.md 草稿会按 6 个维度（frontmatter 完整性、变量文档、API 调用完整性、降级行为、输出规范、网络说明）逐项打分 1–5，任何一项低于 4 分就重写，重写仍不达标则放弃发布。随后还会用合成密钥执行一次 scripts/dry-run.sh 结构校验——任何只跑过"纸面流程"的技能永远不会进入生产。

4. 以 PR 交付，绝不直推 main

最终产物永远是一个 PR：分支create-skill/<name>，正文包含需求摘要、调研来源、所需密钥、质量评分表和触发方式。新技能在 aeon.yml 中注册时强制enabled: false——什么时候启用，由操作者决定，而非 agent 自己。

autoresearch：4 变体进化与加权评分

如果说create-skill是"生孩子"，autoresearch就是"基因优化"。它的输入是一个现有技能名（如token-movers），目标是让这个技能变得更好（流程见 skills/autoresearch/SKILL.md）：

1. 读懂目标技能 + 复盘历史

加载skills/${var}/SKILL.md，解析其用途、数据源、输出格式和依赖；同时回看memory/logs/近期运行记录和memory/cron-state.json——它最近失败过吗？输出有用吗？

2. 生成 4 个固定"论点"的变体

每个变体都是一个完整、可直接运行的 SKILL.md：

3. 加权评分，胜者成为 PR

每个变体按 6 项标准打分（清晰度、数据质量、输出价值、健壮性、规范符合度、改进幅度），并采用加权总分——"改进幅度"占 3 倍权重，因为这才是进化的目的。胜出者替换原文件并提交为improve(${var}): autoresearch evolution的 PR，PR 正文附上完整评分表和全部 4 个变体的摘要，供人工审查。

一个有趣的事实：autoresearch 已经在整个技能库里"跑过轮"了。技能文件顶部的<!-- autoresearch: variation X -->注释就是它进化过的证据——例如skill-repair是变体 D 的产物，skill-health是 C，而create-skill、deploy-prototype、vuln-scanner都是 B。也就是说，这篇文档介绍的两个技能本身，也曾经是别人进化出来的。

安全护栏：自主性为什么不会失控

自我进化最大的风险是"agent 把自己改坏"。Aeon 用几道硬性护栏对冲了它：

• PR-first：所有进化成果都以 PR 形式交付，人工可以逐行审查、随时拒绝，绝不直接提交到main
• 默认禁用：新生成的技能永远是enabled: false，启用权在操作者
• 失败即回滚：验证失败或 dry-run 未通过时，删除半成品文件、还原aeon.yml修改，"干净地中止好过发布一个坏技能"
• 绝不下调：若 4 个变体都不优于原技能，autoresearch 会放弃更新并通知"No improvement found"——进化，而非替换
• 配套自检：self-improve每两天巡检一次日志，只做"最高收益、最小改动"的单点修复（见 skills/self-improve/SKILL.md），且 3 个以上改进 PR 积压时自动停手

技能分类、完整性锁定等 CI 门禁（如 scripts/check-skill-categories.sh）会进一步拦截不规范的技能进入主干，规则详见 docs/skill-packs.md。

如何触发：两条 workflow_dispatch

两个技能默认都关闭，采用按需触发（见 aeon.yml）：

autoresearch: { enabled: false, schedule: "workflow_dispatch" } create-skill: { enabled: false, schedule: "workflow_dispatch" }

在 GitHub Actions 的 workflow dispatch 中：

• 触发create-skill，var填一句需求描述 → 收到一个"新技能 + PR"
• 触发autoresearch，var填技能名 → 收到一个"技能进化 + PR"

写在最后

Aeon 的自我进化机制给出了一个很有启发的范式：技能即文件、进化即 PR、质量即门禁。create-skill负责"从一句话到生产级技能"的创造，autoresearch负责"四变体竞争、评分择优"的迭代，再加上 skill-health/skill-repair 的自愈闭环——AI agent 第一次具备了真正意义上的"自我改进"能力，而每一步改进都留在可审查的 PR 里。

想深入了解？推荐阅读 docs/CORE.md（核心技能全景）、docs/skill-packs.md（技能包机制）和 skills/autoresearch/SKILL.md（进化算法的完整定义）。