EvoSkill

把智能体的失败轨迹自动炼成可复用技能

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署智能体 🍴 复刻 132 🐛 待处理 21 👀 关注 9

GitHub ↗

GitHub 星标 ★ 1272

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源免费，无在线服务

项目预览

项目数据

分类智能体

开发团队sentient-agi

GitHubhttps://github.com/sentient-agi/EvoSkill

定价模式🏷️完全免费

价格说明开源免费，无在线服务

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Python

GitHub 星标★ 1272

上线时间2026-03-04 00:00:00

代码更新2026-10-26

仓库体积8.6 MB

本站数据更新2026-10-27

维护状态活跃

收录时间2026-10-27

浏览次数0

项目介绍

EvoSkill 是一个面向编码智能体的开源框架，核心思路是从智能体执行失败的任务轨迹中自动发现可复用的技能，并将这些技能综合成可调用的技能模块，反哺智能体后续任务执行。它解决的是编码智能体在长链路任务中反复踩坑、经验无法沉淀的问题：传统做法依赖人工编写提示词或工具，失败案例往往被丢弃。EvoSkill 通过分析失败轨迹提取共性模式，自动生成结构化技能，让智能体在遇到类似场景时直接复用，从而减少重复试错、提升任务成功率。框架以 Python 实现，提供从轨迹采集、失败归因、技能合成到技能注入的完整流水线，适合研究者与工程团队在自有编码智能体上做技能积累与效果验证。项目处于成长阶段，星标约 1.2k，社区仍在扩张。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-10-27 · 当前星标 ★ 1272

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：进阶约 20 分钟部署方式：命令行工具 7 步

环境要求

Python 3.12+
uv（推荐）或 pip
可选：目标智能体 CLI（claude、codex、opencode、goose、openhands）
可选：Docker（用于容器内运行）
对应模型提供商的 API Key

安装与启动步骤

1一键安装

执行官方 install.sh，脚本会自动处理 Python 3.12+、uv 及 uv sync 依赖安装。
```
curl -fsSL https://raw.githubusercontent.com/sentient-agi/EvoSkill/main/install.sh | bash
```
2安装智能体CLI

按需安装你要使用的智能体命令行工具，不安装也不影响主体安装。
```
./install.sh --agents claude,opencode
```
3安装Harbor CLI

若准备用 Harbor 数据集作为任务来源，先单独安装 Harbor 命令行。
```
pip install harbor
```
4初始化配置

运行 init 选择执行模式与数据集来源，自动生成配置文件。
```
evoskill init
```
5填写配置

编辑生成的 config.toml，设置 harness 名称与模型、数据集路径等字段。
6启动进化循环

运行主循环，观察进度表中准确率、技能数与前沿集合的变化。
```
evoskill run
```
7Docker方式运行

先构建镜像再以 --docker 运行；远程主机可用 DOCKER_HOST 指向。
```
docker build -t evoskill .
evoskill run --docker
```

关键配置

配置项	必填	说明	示例
`harness.name`	是	选择智能体框架：claude、opencode、codex、goose 或 openhands	`claude`
`harness.model`	是	模型名称，多提供商框架可写 provider/model 形式	`claude-sonnet-4-6`
`evolution.mode`	否	进化模式，可选 skill_only 或 prompt_only	`skill_only`
`dataset.path`	否	训练数据集 CSV 路径，相对项目根目录或绝对路径	`data/questions.csv`
`scorer.type`	否	评分器类型，决定结果如何判定	`multi_tolerance`
`harbor.env`	否	Harbor 执行环境，docker 为本地、daytona 为远程	`docker`