用途：对提示词或技能执行评测驱动的自主优化循环。通过多次运行产物、按评分标准给输出打分、每次只改动一处，并仅保留能可测量提升分数的改动，从而发现稳定复现的失败点；收益来自循环本身，而非一次改写。
适用场景：产物表现时好时坏需要稳定；存在或可起草可量化质量标准（格式规则、通过/失败检查、比较性质量）；人工调优已进入平台期；技能上线前需先做基准评测。当用户提到 autoresearch、评测驱动优化、基准测试、运行评测、自我改进提示词，或韩文中的技能改进、优化、基准、评估时使用。质量完全主观且连评分标准都无法勾勒、评测运行器无法以合理成本自动化、产物太新尚无粗糙基线时不应使用。
输入：目标产物路径；6-10 条真实测试输入（约 70/30 分训练与留出集，留出至少 2 条，不足 6 条需记录豁免）；3-6 项二元检查加 0-2 项比较性质量检查；可复现的评测运行器命令或过程；预算（默认 10 次实验）；停止条件（目标分数或平台期）。若提供 evals.json 则直接使用。
使用方式：先锁定实验契约（目标、数据划分或豁免、评测项、运行器、预算、停止条件、可变文件清单、留出承诺、评测第四诊断、运行器设计、首个变异假设预览），再设计评测套件，优先确定性检查而非 LLM 评委；建立基线并在训练集与留出集上分别记录分数；随后运行变异循环，每次实验分析失败项、提出一个假设、做一处有界改动、检查点化被触碰文件、仅在训练集上运行并打分，按规则 KEEP 或 DISCARD；每第 5 次实验尝试删除；达到预算、停止条件、用户中断或运行器不再可信时停止。报告前应在未豁免时用留出集复测，只有留出集相对基线不退化才报告改进。
限制：仅显式调用，默认休眠，普通编写、评论、调优、实现与评审不会路由至此；作用范围是提示词/技能输出质量，不适用于通用代码指标循环。每次实验只一个假设；必须运行评测运行器并记录分数，不能凭感觉保留；循环期间留出集保持密封；回滚只针对变异涉及的文件，绝不能使用 git reset --hard；若基线二元通过率不低于 95%，不得启动变异循环，应先加强评测。运行产物存放于 ~/.craftkit/autoresearch/<skill-name>/<YYYY-MM-DD-slug>/，不写入目标仓库；技能目标需记录可变文件清单，skill_lines 保持在 220 行发布门槛内。具体价格与收费信息暂未提供。