用途：当成功标准是“看起来/感觉对不对”而没有廉价数值指标时使用，例如动画缓动与时间、缩放/镜头感、调色、布局间距、设计参数、渲染/编码设置、提示词参数等。它是 lookdev 的自动化版本，适用于无人值守的循环。来源标注为 connerkward/lookdev-auto-skill（MIT）。
主要能力：让图像视觉模型或视频理解模型充当评判者，在优化循环中对比渲染变体。核心流程是——把 N 个带标签的变体渲染进一个产物（图像为带标注网格/联系表，视频为带标签的序列），在产物上烧录参数标签；用一次模型调用并给出明确评分标准，要求返回结构化 JSON，如 {"ratings":{"A":n,...},"best_so_far":"X","suggest":[[p1,p2],...]}；先粗后精，第一轮大范围定位，第二轮渲染模型建议并让其选出最佳，通常两轮收敛。
使用方式（资料建议）：每轮只提交一个产物而非每个变体一次调用；将参数烧录到产物上；提示“只返回 JSON”并用正则取第一个 {...}；用 3-5 秒片段、单帧或单个组件做代表性样本；变体上限约 5-6 个；每轮加入一个故意差的和一个安全默认变体作为校准锚点；提前声明独立评分标准；跨轮复用已渲染的胜出片段；若第一轮最高分≥9/10 且建议聚拢则提前退出；优先用能看见失败的最便宜评判者，只有评判时间性内容时才用视频模型。
适用场景：需要自动循环调参、且没有人类坐镇评审的视觉审美类优化。不适用：存在与质量相关的真实数值指标（应直接优化该指标）；判断属于用户主观偏好或品牌口味（应让用户挑选）；只有一两个变体（自己看即可）。
限制：模型评分是概率性审美判断而非客观事实，品牌关键或主观工作应保留人工复核；渲染较重或变体较多时自动轮次可能变贵或变慢；需要能暴露质量差异的截图、帧或片段，对细微动作、音频、文案细节或用户偏好判断较弱。具体价格、平台、安装命令等事实暂未提供。