每天有越来越多的人用 Google Antigravity、OpenCode 这类编码代理完成软件工程任务。但这些工具依赖指令，输出质量与输入直接相关。agent skills 可以把代理引导到构建、测试、部署代码的流程上，从而自动化工作流。问题是，大多数技能靠手写，不评估输出就很难知道哪些指令真正有效。作者先做了测试：在 Terminal-Bench 2.0 上运行 OpenCode 和 Gemini 3.8 Flash，带基线技能时，代理约三分之二的尝试可以通过；但不带技能，结果也差不多。基线技能没有带来可测量的收益。

为了更好的结果，作者把 AlphaEvolve 和 Harbor 组合成优化闭环。AlphaEvolve 优化技能的方式与它优化代码一致：Gemini 提出新版本，评估器打分，搜索保留高分的版本。Harbor 充当评估器，让真实编码代理在真实任务上运行技能。仅几次迭代，结果就提升 5%。

这个闭环按四步搭建。第一步，把技能当作程序：AlphaEvolve 推进种子程序两个标记之间的代码，而技能本身是带名称、描述和 markdown 指令的 SKILL.md 文件，所以把技能文本放进标记之间，让 Gemini 重写。AlphaEvolve 运行在 Google Cloud，但不执行你的代码，它只接收评估器回传的分数与备注，这些备注表达什么是“更好”。第二步，让代理评判：Harbor 在基准任务上运行代理，每个试验在独立容器中。作者用 Google Kubernetes Engine（GKE），每个试验一个 pod，单次搜索跑了数千次代理试验。评估器为每个候选返回通过/失败得分，以及失败或超时任务的简短备注；AlphaEvolve 随后把备注发给 Gemini，用于生成下一版。

第三步，让分数可信：代理得分噪声很大。早前一次运行中，模型延迟解释了候选分数的大部分方差。作者让每个候选与基线技能在同一批任务、同一时间并行运行，用两者得分之差作为评价。第四步，在未见过的任务上检查胜者：预留一些搜索从未见过的任务做最终检查，避免结果只在评估任务上成立。

关键发现集中在三处。AlphaEvolve 自动聚焦最常见的失败——超时。搜索中约三分之一的试验触发时间限制，最佳技能因此变成围绕时间限制构建的协议。运行搜索比搭建循环更难：约 10 小时后，搜索不再产生新候选，原因是模型响应慢导致延迟检查拖住每一次评估，完整代理日志又填满了控制器的磁盘。长搜索前必须为慢模型窗口和日志存储做规划。另外，技能只有补充代理真正缺乏的东西时才有价值：基线技能没有可测量差异，而包含答案的技能在开发任务上增加 33 分。

作者据此推测：现如今的模型和编码代理已经针对编码工作充分调优，通用建议能贡献的增量很少，真正的空间在具体细节，而搜索恰好能发现这些细节。下一步，他们正在企业级代理框架上测试 AlphaEvolve，覆盖系统提示、策略指令和工具，补足代理缺少的业务规则。在一项虚构银行的客服测试小研究中，AlphaEvolve 发现并修复了被植入的错误策略规则，且修复效果迁移到了未见过的案例。其他小研究结果好坏参半，完整研究完成后会公布最终结果。相关资源可从 GitHub（AlphaEvolve）、Terminal-Bench 2.0、Harbor、agentskills.io 及 opencode skills 文档获取。