evo
一个能自动优化代码性能的实验编排器
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：evo。 它的用途是：一个能自动优化代码性能的实验编排器 详细介绍见：https://321skill.com/skills/evo/ 请根据该页面的说明完成安装。
使用示例
“/evo:discover 让 src/data_processor.py 里的数据处理循环更快”。evo 会分析该文件，确定基准测试命令和优化指标。然后你说“/evo:optimize”，它就会启动多个实验代理，尝试不同的算法或并行化策略，并持续运行基准测试，只保留那些真正提升速度的代码变更。
介绍
evo 是一个专为代码库设计的自动研究（autoresearch）编排器。它解决的核心问题是：如何让AI智能体像研究员一样，持续、自动地探索和优化代码性能，而不仅仅是完成单次修改任务。
使用 evo 非常简单，主要分为两个步骤。首先，使用 /evo:discover 命令，它会分析你的代码库，自动发现可优化的指标（如解析速度、内存消耗），并设置评估基准和防护机制。然后，运行 /evo:optimize 命令，evo 便会启动一个持续的优化循环，自动生成假设、运行实验、评估结果，并保留有效的改进。
这个工具非常适合那些希望将AI从“代码编写助手”升级为“自主研究伙伴”的开发者。无论是全栈工程师想要提升某个模块的性能，还是量化交易员需要优化策略回测速度，或是学术研究者希望自动改进实验代码的效率，evo 都能提供结构化的自动化探索能力。
在使用建议上，evo 的实验过程基于Git工作树，建议在特性分支或项目副本上先行尝试。由于其会并行运行多个实验子代理，请确保你的开发环境有足够的计算资源。对于关键生产代码，建议设置严格的回归测试作为“门控”条件，防止优化引入意外行为。
核心特点
与传统的单次代码优化助手不同，evo 引入了“树状搜索”和“并行半自主代理”机制，允许多个优化方向同时被探索，而非单一的贪心爬坡。它还能自动发现代码库中的性能基准并建立评估体系，形成一个完整的、持续优化的闭环。
注意事项
不适合用于对代码正确性有极高要求、不允许任何自动化实验波动的核心生产模块的即时优化。
常见问题
evo 和普通的代码优化工具有什么区别？
普通工具是单次执行，evo 是持续自主研究循环，能并行探索多种优化路径并自动评估。
它会不会把我的代码改坏？
所有实验在独立的Git工作树中进行，失败或未通过门控测试的更改会被自动丢弃，核心分支受保护。