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。 */}

达尔文进化器

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-notebook`

参考：完整的 SKILL.md 文件

:::info 以下是当触发该技能时 Hermes 会加载的完整技能定义。当技能处于激活状态时，智能体看到的指令即为内容。: ::

达尔文进化器

运行 Imbue 提供的 darwinian_evolver —— 一种由大语言模型驱动的进化搜索循环 —— 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。

状态：该技能仅为上游工具的简化封装。它负责安装相关工具，引导智能体编写“问题”定义（包括目标对象、评估机制及变异规则），并通过上游命令行工具或自定义的简单 Python 驱动程序来控制进化循环的运行。

许可证： 该上游工具采用 AGPL-3.0 许可协议。该智能体仅通过上游 CLI 或 subprocess/uv run 方式调用该工具（属于简单整合），严禁将上游工具的类直接导入到 Hermes 中。

适用场景

用户提出“优化此提示词”、“为 X 优化正则表达式”、“自动改进此代码/SQL”或“寻找更优的指令”等需求。
您已拥有评分机制（精确匹配、正则匹配率、单元测试、LLM 评估工具或运行时指标）以及初始候选方案。若没有评分机制，请先设计一个——这是最关键的部分。
成本可接受：一次典型运行需要调用 50–500 次 LLM。在 gpt-4o-mini 上成本仅为几美分；而在 Claude Sonnet 上则可能需要几美元。

以下情况请勿使用此功能：

优化目标具有可微性（应使用梯度下降/DSPy 方法）。
只需要尝试 2–3 种方案——可直接手动编写即可。
适配度指标完全依赖主观判断，且无量化标准。

先决条件

Python ≥3.11
git、uv（或 pip）
下列任一 API 密钥：OPENROUTER_API_KEY、ANTHROPIC_API_KEY 或 OPENAI_API_KEY

该智能体附带了一个名为 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 本身则预置了 Anthropic 相关配置，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

输出结果：

/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——问题设置与 Parrot 相同，但会通过 OpenRouter 调用大型语言模型，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：按得分从高到低排序的7个经过优化的提示模板，其中最优版本的得分应在0.6至0.8之间（初始模板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、编辑并运行。需定义以下三个要素：

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数据，需包含足够的上下文信息（包括输入内容、预期结果与实际输出），以便大型语言模型进行故障诊断。
- holdout_failure_cases — 不会传递给变异器，可用于检测过拟合现象。
- 除非该Organism存在严重缺陷（如引发异常或返回None等），否则默认设置is_viable=True。得分为0但仍然可用的Organism也是可行的——只是在父代选择过程中会被降低权重。
Mutator — 具备.mutate(organism, failure_cases, learning_log_entries) -> list[Organism]方法。其典型工作流程为：构建一个包含当前Organism、相关故障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；进而生成一个新的Organism。若解析失败，则返回[]，此时循环会自动处理该情况。接着编写一个驱动脚本，将 Problem(initial_organism, evaluator, [mutators]) 与 EvolveProblemLoop 相连接，并通过 loop.run(num_iterations=N) 进行迭代——随附的 scripts/parrot_openrouter.py 文件可作为参考。

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
`--num_parents_per_iteration`	4	为降低计算成本，可降至 2
`--mutator_concurrency`	10	为避免速率限制，可降至 2–4
`--evaluator_concurrency`	10	同上；评估器也会对大语言模型造成负担
`--batch_size`	1	当突变操作能处理多次失败时，可提升至 3–5
`--verify_mutations`	关闭	当突变操作效率低下（每次 Imbue 运行中节省的成本不足 10 倍）时，可开启该选项
`--midpoint_score`	`p75`	除非得分呈现聚集趋势，否则无需调整
`--sharpness`	10	无需调整

常见陷阱

“初始个体必须具有生存能力”——即便种子个体的得分是0，也应在EvaluationResult中设置is_viable=True。因为无法从无生存能力的个体中进行进化，所以循环会直接拒绝它们。
提供方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”这样的语句返回HTTP 400错误。应将LLM调用包裹在try/except结构中，并返回f"<LLM_ERROR: {e}>"——这样进化器就会将该个体的得分定为0并继续下一轮。
loop.run()是一个生成器——在对其进行迭代之前，调用它并不会启动任何操作。应使用for snap in loop.run(num_iterations=N):的语法。
快照为嵌套的pickle格式文件。iteration_N.pkl文件中包含一个字典，该字典里存有population_snapshot（即更多经过pickle序列化的字节数据）。若要反序列化这些数据，必须确保在与序列化时相同的路径下能够导入Organism类。
默认的并发级别过高。设置为10/10会在大多数提供方那里触发速率限制。建议初始值设为2/2。
CLI默认绑定Anthropic平台。执行uv run darwinian_evolver <problem>命令时会自动查找ANTHROPIC_API_KEY并使用Claude Sonnet模型。若要使用其他提供方，需编写类似parrot_openrouter.py的驱动程序。
受AGPL许可证约束。严禁在Hermes核心代码中直接使用from darwinian_evolver import ...语句。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包版本。执行pip install darwinian-evolver命令会安装到错误的包。务必从GitHub仓库直接进行安装。

验证

完成安装并运行 Parrot 后，只要其退出码为 0 即可：

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