用途：对已有 AI 技能进行可测量的迭代优化。它把目标技能放在小测试集上反复运行，用二元（是/否）评估给输出打分，每次只修改提示中的一处，只保留能提高分数的改动，直到分数停滞、达到预算上限或用户停止。
主要能力：建立基线并对比改进前后行为；构建二元评估套件；运行变异循环并记录每次实验；维护实时仪表盘与变更日志；输出基线到最终分数、实验次数、保留/丢弃数量、最有效改动与剩余失败模式。
必要输入：目标技能路径、3 到 5 个代表性测试输入、3 到 6 个二元是/否评估、每次实验运行次数（默认 5）、实验间隔（默认 2m）、可选预算上限。评估编写可参考 references/eval-guide.md。
使用方式：先读取目标 SKILL.md 及其 references/ 下直接链接的文件，识别核心任务、步骤、输出格式与失败模式；把质量准则转成二元检查；在目标技能文件夹内创建 skill-autoresearch-[skill-name]/ 工作区，包含 dashboard.html、results.json、results.tsv、changelog.md、SKILL.md.baseline；先跑基线（实验 0），再进入变异循环：检查失败输出、提出一个假设、对 SKILL.md 做一处针对性修改、用同一测试集重跑并重新打分，只有分数提升才保留，平局或退步则回退，并把结果追加到 results.tsv、results.json 和 changelog.md。results.tsv 表头为 experiment score max_score pass_rate status description。仪表盘从 results.json 刷新，显示实验编号、分数与通过率进展、基线/保留/丢弃状态、各评估失败热点与当前运行状态。
适用场景：技能表现不稳定需要可重复改进循环；编辑 SKILL.md 前先做基准测试；需要提示或技能质量的二元评估；希望有变异日志而非临时重写；对比基线与改进后的提示行为。
限制与规则：输入与评估未定义前不得开始实验；基线与变异必须使用同一测试集；一次只改一处；按分数而非偏好决定保留或丢弃；记录每次尝试；仅在手动停止、达到预算上限或分数明显停滞时停止。若基线已高于 90%，需确认是否值得继续优化。改进后的技能保留在原路径。