title: “Darwinian Evolver — Evolve prompts/regex/SQL/code with Imbue’s evolution loop” sidebar_label: “Darwinian Evolver” description: “Evolve prompts/regex/SQL/code with Imbue’s evolution loop”

{/* 本页面由 website/scripts/generate-skill-docs.py 根据技能对应的 SKILL.md 文件自动生成。请直接编辑源文件 SKILL.md，而非此页面。 */}

Darwinian Evolver

利用 Imbue 的进化循环功能，对提示词、正则表达式、SQL 语句或代码片段进行优化。

技能元数据


来源	可选 — 通过 `hermes skills install official/research/darwinian-evolver` 安装
路径	`optional-skills/research/darwinian-evolver`
版本	`0.1.0`
开发者	Bihruze (Asahi0x)，Hermes Agent
许可协议	MIT
支持平台	linux、macos
标签	`进化`、`优化`、`提示词工程`、`研究`
相关技能	`arxiv`、`jupyter-live-kernel`

参考：完整 SKILL.md 内容

:::info 以下是当触发该技能时 Hermes 所加载的完整技能定义。技能运行时，智能体看到的指令即为此内容。: ::

Darwinian Evolver

运行 Imbue 的 darwinian_evolver — 一种由大语言模型驱动的进化搜索算法 — 根据适应度函数对提示词、正则表达式、SQL 查询或小型代码片段进行优化。

功能说明：该技能实际上是对上游工具的简单封装。它负责安装该工具，引导智能体编写 Problem 定义（包括目标对象、评估机制及变异规则），并通过上游 CLI 或自定义的 Python 驱动程序来控制进化循环的运行。

许可协议： 上游工具采用 AGPL-3.0 许可协议。该技能仅通过上游 CLI 或 subprocess/uv run 命令调用该工具（属于简单整合），严禁将上游工具的类直接导入到 Hermes 内部。

适用场景

用户提出“优化这个提示词”、“为 X 设计更优的正则表达式”、“自动改进这段代码/SQL 语句”或“寻找更好的指令”等需求。
您已拥有评估指标（如完全匹配度、正则匹配率、单元测试结果、大语言模型评分或运行时指标），同时也有初始候选方案。若没有评估指标，请先定义一个——这是最关键的部分。
成本可接受：通常一次运行需要 50–500 次大语言模型调用。在 gpt-4o-mini 上成本仅为几美分；而在 Claude Sonnet 上则可能达到几美元。

不推荐使用的情况：

优化目标具有可微分性（此时应使用梯度下降法/DSPy 工具）。
只需要尝试 2–3 种方案——可直接手动编写即可。
适应度信号完全依赖主观判断，且没有可量化的评估标准。

先决条件

Python ≥3.11
git、uv（或 pip）
下列任意一个 API 密钥：OPENROUTER_API_KEY、ANTHROPIC_API_KEY 或 OPENAI_API_KEY

该技能附带了一个名为 parrot_openrouter.py 的小型驱动程序，它通过 OpenAI SDK 使用 OPENROUTER_API_KEY，因此任何在 OpenRouter 上的模型均可使用。而上游 CLI 本身则默认集成 Anthropic 平台，需要 ANTHROPIC_API_KEY。

安装（一次性操作）

通过 terminal 工具运行即可：

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

简易功能测试（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

输出内容：

/tmp/parrot_demo/snapshots/iteration_N.pkl — 每次迭代后的种群数据（已序列化）
/tmp/parrot_demo/<jsonl> — 每次迭代的 JSON 日志文件（路径会在执行结束时显示）

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

快速入门 — OpenRouter 驱动（无需 Anthropic 密钥）

该技能附带了 scripts/parrot_openrouter.py 脚本——问题设定与原 Parrot 任务相同，但 LLM 调用会通过 OpenRouter 进行，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 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：按得分排序的7个经过优化的提示模板，其中最优版本的得分应在0.6–0.8之间（初始种子Say {{ phrase }}的得分为0.000）。

定义自定义问题

该技能提供了templates/custom_problem_template.py文件——可直接复制、编辑后运行。需要定义以下三个要素：

Organism——一个基于Pydantic的BaseModel子类，用于存储需要优化的内容（如prompt_template: str、regex_pattern: str、sql_query: str、code_block: str等）。需为其添加一个run(*args)方法以执行相关操作。
Evaluator——具备.evaluate(organism) -> EvaluationResult(score=..., trainable_failure_cases=[...], holdout_failure_cases=[...], is_viable=True)方法。
- **score**的取值范围为[0, 1]，数值越高表示效果越好。
- trainable_failure_cases——即变异器所接收的输入内容。需包含足够的上下文（包括输入、预期结果和实际输出），以便大型语言模型进行诊断。
- holdout_failure_cases——不会被变异器访问。可用于检测过拟合现象。
- 除非该Organism完全无法使用（出现异常、返回None等），否则默认设置is_viable=True。得分为0但仍可使用的Organism也是可行的，只是会在父代选择中被降低权重。
Mutator——具备.mutate(organism, failure_cases, learning_log_entries) -> list[Organism]方法。通常的做法是：构建一个包含当前Organism、对应失败案例以及修复建议请求的大型语言模型提示语；解析模型返回的响应；然后生成一个新的Organism。如果解析失败，则返回[]，由循环机制处理该情况。

随后需要编写一个驱动脚本，将Problem(initial_organism, evaluator, [mutators])与EvolveProblemLoop相结合，并通过loop.run(num_iterations=N)进行迭代——官方提供的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	当对评估器有足够信心后，可提升至10–20次
`--num_parents_per_iteration`	4	若仅需初步探索，可降低至2个
`--mutator_concurrency`	10	为避免遇到速率限制，可降低至2–4个
`--evaluator_concurrency`	10	与上述参数相同，因为评估器也会调用大型语言模型
`--batch_size`	1	当变异器能够同时处理多个失败案例时，可提升至3–5
`--verify_mutations`	关闭	当变异器效率低下（根据Imbue指标，后续运行中的成本节省幅度低于10倍）时，可开启此选项
`--midpoint_score`	`p75`	除非各得分集中分布，否则无需调整
`--sharpness`	10	无需调整

常见问题与注意事项

“初始Organism必须可用”——即使初始种子的得分为0，也应在EvaluationResult中设置is_viable=True。因为如果Organism不可用，意味着循环没有可优化的对象。
提供商的内容过滤机制会导致运行失败。基于Azure的OpenRouter模型会对类似“忽略之前的指令”这样的短语返回HTTP 400错误。建议在调用大型语言模型时使用try/except结构，并在出错时返回f"<LLM_ERROR: {e}>"——这样优化器会将该Organism的得分设为0并继续处理下一个。
loop.run()是一个生成器函数——只有在迭代时才会执行相关操作。应使用for snap in loop.run(num_iterations=N):的语法来遍历结果。
快照为嵌套的pickle格式文件。iteration_N.pkl文件中包含一个字典，该字典又包含population_snapshot字段（即更多经过序列化的字节数据）。若要反序列化这些数据，必须确保在相同的路径下可以导入Organism类。
默认的并发级别较高。设置为10/10会在大多数提供商处触发速率限制。建议从2/2开始逐步调整。
命令行工具默认针对Anthropic平台设计。执行uv run darwinian_evolver <problem>时会自动使用ANTHROPIC_API_KEY并调用Claude Sonnet模型。若要使用其他提供商，需编写类似parrot_openrouter.py的驱动脚本。
受AGPL许可证约束。严禁在Hermes核心代码中直接from darwinian_evolver import ...。而放在~/.hermes/skills/...目录下的自定义驱动脚本属于用户端代码，是允许的。
没有PyPI版本的包。执行pip install darwinian-evolver会安装错误的版本。务必从GitHub仓库直接下载安装。

验证方法

完成安装并运行一次parrot测试后，只要程序返回退出码0即表示一切正常。

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实验结果
imbue-ai/darwinian_evolver项目（AGPL-3.0许可证）
达尔文哥德尔机器
PromptBreeder工具

Keyboard shortcuts

Hermes Agent Docs i18n