jimmyma99/treeskill
Developer toolsこのページは AI により自動翻訳されています。技術的な詳細は原文をご確認ください。 原文を見る
Skill optimization framework for LLMs — evolve system prompts via textual gradient descent with beam search, human-in-the-loop annotation, and DPO preference data export.
概要
TreeSkill 将 LLM prompt 优化类比为深度学习的训练循环，但**： - — 纯 API 调用，无需 GPU、无需微调、无需标注数据 - — 人工反馈驱动优化：/bad 标记失败、/rewrite 提供理想回答、/target 设置优化方向，让领域专家直接参与 prompt 进化 - — 对齐 Agent-Lightning 的优化算法：多模板梯度分析 × 多候选生成 × Beam Search 选择，仍用于 /bad 交互式流程 - — 支持 OpenAI、Anthropic、任何 OpenAI 兼容 API（硅基流动、Ollama 等） - — Skill 文件遵循 agentskills.io 开放标准 - — 自动拆分、剪枝、嫁接，递归 bottom-up 优化 - — Skill 可声明和调用多种格式的外部工具： - — script.py 中的函数自动注册为工具 - — 声明式调用任意 REST 端点 - — 兼容 Model Context Protocol 的工具调用 - — 优化中断后从上次进度恢复，不浪费已完成的 API 调用 - — 通过 @scorer、@gradient、@rewriter、@skill_format 装饰器自定义优化流程的每个环节（详细文档） - — Actor / Judge / Rewrite 可配置不同的 API 端点、模型和协议（OpenAI / Anthropic） - — 使用 Kode 作为 Agent 前向引擎，Skill 在真实 agent loop 中执行和验证（配置指南） - — 内置轻量 agent loop，支持 bash / 文件读写 / skill 加载，无需外部依赖即可评估 Skill 推荐直接跑 SealQA 生命周期 demo。它使用： - Kode 作为前向执行器 - ASO 作为 program / skill 修改器 - 一个免费、稳定的本地 search_web/fetch_url 抽象来模拟检索 TreeSkill 的核心交互模式是**：领域专家通过自然语言反馈，引导 APO 引擎改进 prompt。
推奨ツール
別のキーワードを試すか、フィルタを外してください。
インストール
npx skillfish add jimmyma99/treeskill