用途：通过可测量的迭代来改进另一个技能，而不是凭直觉重写。运行目标技能、用二元评估打分、每次只改一处、只保留提升分数的变异，直到分数停滞、达到预算上限或用户停止。
主要能力：建立二元评估套件；创建实验工作区；建立基线；运行变异循环；维护实时仪表盘；记录每次实验；输出改进结果。
必要输入：目标技能路径、3~5 个代表性测试输入、3~6 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。输入未齐前不要开始实验。
使用方式：
- 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、输出格式和可能的失败模式。
- 将质量标准转为二元检查，格式为 EVAL N / Question / Pass / Fail，共 3~6 条，避免重复计算同一失败。
- 在目标技能文件夹内创建 skill-autoresearch-[skill-name]/，包含 dashboard.html、results.json、results.tsv、changelog.md、SKILL.md.baseline。
- 先备份原始技能为 SKILL.md.baseline，原样运行 N 次并逐项评分，记录 experiment 0 为基线。results.tsv 表头为 experiment\tscore\tmax_score\tpass_rate\tstatus\tdescription。
- 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→重跑同一测试集→重新评分→仅当分数提升才保留，平局或回退则还原，并把结果追加到 results.tsv、results.json、changelog.md。
- 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、当前运行状态。用单个自包含 HTML 文件，CSS/JS 内联。
- 每次运行后追加记录：Experiment N — keep|discard、Score、Change、Reasoning、Result、Remaining failures。
- 循环停止后报告：基线到最终分数、实验数、保留与丢弃数、最有效的改动、剩余失败模式、产物位置。
适用场景：技能表现不稳定需要可重复的改进循环；编辑 SKILL.md 前想做基准测试；需要提示词或技能质量的二元评估；想要变异日志而非随意重写；想对比基线与改进后的提示词行为。
限制与规则：输入和评估未定义前不得实验；基线与变异使用同一测试集；一次只改一处；按分数而非偏好保留或丢弃；记录每次尝试；仅在手动停止、预算上限或明显分数停滞时停止。若基线已高于 90%，需确认是否值得继续优化。改善后的技能保留在原路径。可靠评估的写法见 references/eval-guide.md。