用途：在方法论开发过程中系统跟踪智能体如何逐步专门化，判断何时专门化能带来价值。适用于通用智能体出现超过5倍性能差距、需要跨实验比较、分析方法论可迁移性、优化基础元智能体能力、决定是否创建新智能体或构建可复用智能体库时；单一实验、通用智能体始终够用、无跨实验学习目标或跟踪成本高于收益时不建议使用。
主要能力：按迭代跟踪四个维度。一是智能体集合演化（Aₙ），记录每次迭代新增、移除或修改的智能体，并以 Aₙ == Aₙ₋₁ 判断收敛稳定。二是元智能体演化（Mₙ），跟踪 observe、plan、execute、reflect、evolve 等能力的变化。三是专门化决策树，依次判断通用智能体是否够用（性能差距在2倍内）、任务是否重复出现（≥3次）、性能差距是否超过5倍、创建成本是否低于投资回报，满足条件才创建专门智能体。四是可复用性评估，将智能体分为通用（90-100%可迁移）、领域特定（60-80%）和任务特定（10-30%）三类。
使用方式：每次迭代约10分钟，在 iteration-N.md 中记录当前智能体集合、相对上次的变化、专门化决策理由与可复用性评估；创建 agents/EVOLUTION-LOG.md 记录逐迭代演化、专门化分析、跨实验复用和元智能体演化；完成3个以上实验后创建 agents/CROSS-EXPERIMENT-ANALYSIS.md，用复用矩阵统计各智能体复用率与可迁移性。
适用场景与限制：资料给出的经验是，专门化的平均性能差距约15倍（范围5倍至200倍），平均创建成本约3.5小时，8/9案例投资回报为正，建议以5倍性能差距为阈值；元智能体 M₀ 在全部实验中均足够，专门化发生在智能体层而非元智能体层。该技能有2-3小时跟踪开销，性能差距低于5倍、一次性任务、创建成本高于回报或通用智能体仍会随练习提升时不应专门化。具体命令与安装方式暂未提供。