Agent-Loop-Skills
将通用迭代循环封装为可复用的Agent技能，用于自动优化代码、研究、写作等任务。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Agent-Loop-Skills。 它的用途是：将通用迭代循环封装为可复用的Agent技能，用于自动优化代码、研究、写作等任务。 完整的 Skill 内容见：https://321skill.com/skills/agent-loop-skills/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“使用`tournament-autoresearch`循环，目标是优化这个PyTorch模型在验证集上的准确率，初始准确率是0.73，最多迭代15轮。” 它会启动一个竞赛式循环：让多个“代理”提议修改（如调整超参数、改变网络层），每次修改后自动运行你的训练和验证脚本，只有提升准确率的修改会被保留并进入下一轮，最终输出优化后的模型和完整的改进日志。
介绍
这个Skill解决了AI代理在复杂任务中容易“空转”或产出质量不稳定的问题。在实际开发或研究中，开发者经常需要AI进行多轮迭代优化，例如调整代码以提升模型精度、优化SQL查询性能或润色学术论文，但单次提示往往无法达到理想效果，且缺乏客观的反馈机制来验证每次迭代是否真的有效。
使用方式很简单，你只需要选择一个预置的通用循环技能（如tournament-autoresearch），在调用时绑定到你的具体任务目标（例如“优化这个CIFAR-10模型的准确率”）。之后，循环会自动执行“提出修改建议 -> 在你的环境中执行并验证 -> 根据真实信号（如测试分数、性能指标）评估 -> 保留有效改进 -> 记录并进入下一轮”的流程，直到达到预设的终止条件。
它非常适合需要进行系统性、自动化探索和优化的团队或个人。尤其是那些已经熟悉特定领域（如机器学习、数据分析、代码优化），但希望将重复性的试错和验证过程交给AI代理自动完成的开发者、研究员或数据分析师。对于需要基于客观指标（而非主观判断）来持续改进工作产出的场景，这个技能库提供了标准化的解决方案。
建议在拥有明确、可量化评估标准（如单元测试通过率、模型验证集准确率、查询延迟）的任务中统一使用此工具。需要注意的是，它主要依赖你提供的“真实信号”来驱动循环，因此确保你的验证环境能够稳定、自动地提供这些反馈至关重要。同时，由于每个循环都是通用的，初次使用时需要仔细理解其工作流程和配置参数。
常见问题
这个技能库和普通的AI提示词有什么区别？
它不只是提示词，而是封装了完整迭代逻辑（提议、执行、验证、记录、终止）的“程序”，强调通过客观反馈驱动循环，确保每次迭代都有实际改进。
我需要自己搭建复杂的反馈环境吗？
是的，你需要提供一个能自动运行并返回量化结果的环境（如测试套件、性能基准脚本），这是循环判断“好坏”的依据。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/agent-loop-skills/raw/index.md 读取 Agent-Loop-Skills 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/agent-loop-skills/raw/index.md（查看排版版本）