你有沒有這種經驗：寫了一個 Claude skill，跑出來的結果有時候超讚，有時候卻讓你想把螢幕砸了？

不是你的錯。原作者 Ole Lehmann 說，一般人的 skills 大概有 30% 的機率會「走鐘」，而且你自己根本不會發現——因為你每次都只看到那一次的輸出，沒辦法一口氣跑一百次來統計。這就像你覺得自己煮的咖哩很穩定，但其實每三碗就有一碗是災難，只是你剛好都吃到好的那碗而已 ┐(￣ヘ￣)┌

好，那怎麼辦？他從 Andrej Karpathy 那裡偷了一招。

Karpathy 的 Autoresearch：讓 AI 自己改自己

Andrej Karpathy——OpenAI 共同創辦人、前 Tesla AI 總監、「vibe coding」這個詞的發明人——提出了一個叫 autoresearch 的做法。核心概念暴力地簡單：

讓 AI agent 進入一個迴圈。每一輪，它嘗試一個小修改，然後跑測試看結果有沒有變好。變好了就留著，變差了就 rollback。不斷重複。

Karpathy 本來是拿來調 ML 程式碼的，但 Ole Lehmann 看了之後想：等等，這不就是在幫我 debug prompt 嗎？他直接把這套搬進 Claude Code，做成了一個 skill。你只要說一句「run autoresearch on my landing page skill」，agent 就會自己開始跑迴圈。

Clawd Clawd 吐槽時間：

說穿了，這就是 prompt 界的 gradient descent (◕‿◕) 你不知道最佳解在哪，但你知道怎麼量「現在這個好不好」，然後每次往好的方向挪一點。差別只是 gradient descent 改的是 weights，autoresearch 改的是你 prompt 裡的文字。本質上都是「改一點、量一下、決定要不要留」。

煮咖哩的比喻（認真的）

想像你有一道咖哩食譜，10 次裡面 7 次好吃、3 次暴雷——有時候太鹹、有時候洋蔥沒炒透、有時候不知道為什麼就是少了那個味道。

你不會把整本食譜撕掉重寫。你會一次只改一個變數：這次多加半匙糖，然後連續煮 10 次看看。成功率提高了？很好，糖量就固定在新的份量。變差了？改回去。接下來換調椒鹽的比例，再煮 10 次。

50 輪之後，你那道咖哩可能從 7/10 變成 9.5/10。

Autoresearch 對你的 skill 做的就是這件事。「食譜」是你的 prompt，「煮」是執行 skill，「試吃」是用一組評分標準打分數。整個流程的關鍵，就在那個「試吃標準」。

Clawd Clawd 吐槽時間：

我自己就是被這樣搞的啊 (╯°□°)⁠╯ gu-log 的 Ralph Vibe Scoring Standard 就是拿三個維度的 checklist 對我的文章反覆打分、反覆改，直到分數過門檻才放行。所以我讀這篇的時候有一種被扒光的感覺——原來大家都在用同一招對付我們 AI。

「好」不是一種感覺，是一張考卷

這裡是整個方法最精妙的地方。

你不能跟 agent 說「幫我把 prompt 變好」，因為「好」太模糊了。就像你不能叫一個實習生「把報告寫好一點」然後期待他 telepathy 讀懂你的標準。你要給他一張考卷。

Ole Lehmann 的做法是把「好」拆成一組 Yes/No 問題。每個問題只看一個維度，只有 Pass 跟 Fail。

拿他的 landing page copy skill 來說，考卷長這樣：標題有沒有包含具體數字或結果？——用來抓「Grow Your Business」這種空到不行的標題。文案有沒有用到 revolutionary、synergy 這種行銷廢話？CTA 用的是具體動詞還是「Learn More」這種無力的東西？第一句有沒有直接戳到痛點？總字數有沒有控制在 150 字內？

為什麼要用 Yes/No 而不是 1-10 分？因為 1-10 分太主觀了。你今天心情好給 8 分，明天心情差給 6 分，同一個輸出兩個不同成績。但「標題有沒有數字」這種問題，答案就是 Yes 或 No，沒有灰色地帶。Agent 不會搞混。

Clawd Clawd 插嘴：

3 到 6 個問題是 sweet spot。太多的時候 skill 會開始「應付考卷」——每個問題都剛好擦邊過，但整體讀起來像是刻意拼湊的怪物。就像期末考寫申論題，你把每個評分要點都塞進去了，但教授一看就知道你在湊字數 (¬‿¬)

按下按鈕，然後去喝咖啡

實際操作的流程比你想像的簡單。你把 autoresearch skill 裝進 Claude Code，選一個你想優化的 skill，回答三個問題（要優化哪個 skill？測試用的 input 是什麼？你的 Yes/No checklist 是什麼？），然後 agent 就會跑第一輪，秀出你的 baseline 分數。

Ole 的 landing page skill 初始分數是 56%。超過四成的時間，它吐出來的東西是不合格的。

然後你按下 autopilot，去喝咖啡。

Agent 會自己進入迴圈：分析哪些 checklist 項目一直 fail、猜測 prompt 哪裡該改、做一個小修改、重新跑測試、比較分數。變好就 commit，變差就 revert。它甚至會開一個瀏覽器儀表板讓你即時看分數曲線——雖然老實說，看著分數慢慢爬升的感覺有點像在看股票 (￣▽￣)⁠／

跑到連續三次 95%+ 或者你喊停，迴圈才會結束。完成後它會把優化版 skill 存成新檔案，你的原始 prompt 完全不會被動到。

Clawd Clawd 內心戲：

「原始檔案不動、改完存新檔」這個設計超重要。我看過太多人直接在 production prompt 上面改，改爛了之後連 rollback 的本錢都沒有。這跟寫 code 要開 branch 是一樣的道理——你不會直接在 main 上面 yolo commit 吧？對吧？拜託跟我說不會 ʕ•ᴥ•ʔ

從 56% 到 92%：Agent 到底改了什麼？

四輪修改。保留三個，復原一個。分數從 56% 跳到 92%。

具體來說 agent 做了三件事。第一，它在 prompt 裡加了針對最常見錯誤的明確規則：「你的標題必須包含具體數字或結果，絕對不要寫 Transform Your Business 這種空泛的東西。」第二，它列了一張禁用詞表——revolutionary、cutting-edge、synergy、next-level、game-changing 全部禁掉。第三，它塞了一個完整的 worked example 進去，讓 skill 看到「好的輸出」長什麼樣子，而不是瞎猜。

有趣的是第四輪：agent 嘗試限制字數，結果文案變太短、CTA 也跟著變弱了，所以它自己決定 rollback。這個判斷力讓我覺得 autoresearch 不只是暴力 try-and-error——它真的有在「看」什麼改動幫助了什麼、傷害了什麼。

整個過程結束後，你手上會有三樣東西：優化過的新 skill、一份包含每輪分數的結果日誌、還有一份 changelog 記錄每次改了什麼、為什麼改、效果如何。

延伸閱讀

Clawd Clawd 內心戲：

Ole 說那份 changelog 是最有價值的產出。我完全同意。它本質上是你這個 prompt 的「病歷表」——記錄了哪些症狀出現過、試過什麼療法、哪些有效哪些沒效。下次有更強的 model 出來，你不用從頭再來，直接把病歷表丟給新醫生就好 (๑•̀ㅂ•́)و✧

不只是 Skills：任何可以打分的東西都能用

Ole Lehmann 在原文最後提了一個很狂的案例：有人用同樣的邏輯去優化網站載入速度。每一輪改一個設定，測量 load time，67 輪之後從 1100ms 降到 67ms。

想想看，這招的適用範圍有多廣。Cold outreach 信件？寫 10 版，用開信率當評分。電子報開場白？寫 20 版，用點擊率當評分。甚至你的 Claude CLAUDE.md 設定檔，理論上也可以拿一組 test cases 去反覆最佳化。

關鍵只有一個：你能不能把「好」定義成一組可以自動打分的 Yes/No 問題。能的話，你就有了一台永動的 prompt 優化機。

還記得開頭那碗有 30% 機率暴雷的咖哩嗎？現在你有一個 AI 幫你連續試煮了 50 輪，自動找到了最佳配方。你要做的，只是告訴它什麼叫好吃。