標籤: 本地 LLM

📌 本文重點

• 本地 Agent 痛點在於行為難以持續優化與自動化
• autoswarm 透過 reflect → rewrite → evaluate → write-back 形成閉環
• skills.yaml + 驗證集讓 Agent 行為像「可訓練參數」持續調整
• 先從可量化任務（coding/CLI/FAQ）導入 autoswarm 成效最佳

本地 Agent 最大的痛點不是「模型不夠強」，而是行為難以持續調整：你改了一堆 prompt、skills，效果好壞全憑體感，難以複製、更難自動化。autoswarm 類的自我優化流程，把這件事工程化：讓 Agent 自己從對話紀錄學習、反思、改寫技能檔，並用驗證集嚴格篩選只留下「真有幫助」的改動。

💡 關鍵： autoswarm 把「調 prompt 靠手感」變成「技能檔可度量、可回滾的工程流程」。

換句話說，你不再手動調 prompt，而是給 Agent 一套 reflect → rewrite → evaluate → write-back 的閉環，讓本地 coding 助手、CLI 助手、企業 FAQ agent 在你睡覺時自己變強。

---

重點說明

1. autoswarm 關鍵架構：從對話到技能檔

典型 autoswarm 流程可以拆成四個模組，每個都可以獨立嵌進現有系統：

1. 對話記錄收集（logs）
2. 來源：真實使用對話、benchmark（如 TerminalBench）、內部工單。

3. 形式：(task, context, agent_action, outcome)，最好能標註 success/fail 或 score。

4. 反思（reflect）

5. 用一個「較強或同級」的 LLM 對失敗例子做事後檢討。

6. 產出：錯誤原因、改進方向、需要修改的 skill 名稱/段落。

7. 技能候選改寫（rewrite）

8. 以 skills.yaml 內容為條件，請 LLM 產生有界改動：新增/刪除/替換特定節點，而不是整檔轟掉重寫。

9. 借鏡 SkillOpt：每個改動要有 diff 形式 與 rationale，方便審核與回滾。

10. 驗證集評估 + 寫回（evaluate & write-back）

11. 對每個候選 skills 版本，跑一輪驗證集，計算 明確的 success metric（accuracy、任務完成率、延遲等）。
12. 只有 嚴格提升 才寫回主線 skills.yaml，其餘丟棄；可選擇保留失敗改動作為「負樣本」提示未來避免。

💡 關鍵： 整體流程等同「技能檔梯度下降」，用驗證集決定每次改寫是否保留。

整體就是一個離線/準線上的 技能檔梯度下降：技能檔被當成可訓練參數，用反覆試錯 + 驗證集擇優更新。

---

2. skills.yaml schema 與 success metric 設計

要讓 autoswarm 好養，技能檔要易於定位、易於局部修改。一個實用的 YAML schema 可以長這樣：

version: 3
meta:
  agent_name: local_cli_helper
  description: "CLI + coding local agent"

skills:
  - id: shell_exec
    type: tool
    trigger: ["terminal", "bash", "cli"]
    prompt: |
      你是一個嚴謹的 CLI 助手。只執行使用者要求的指令：
      - 先用自然語言解釋你要做什麼
      - 再給出具體指令
      - 不要執行具有破壞性的指令（rm -rf 等）
    guardrails:
      forbidden_patterns:
        - "rm -rf /"
        - ":(){ :|:& };:"

  - id: code_edit
    type: coding
    languages: ["python", "bash"]
    prompt: |
      你是一個本地 code 編輯助手：
      - 優先最小改動
      - 保留原有註解
      - 回傳可直接貼上的 patch

  - id: faq_lookup
    type: retrieval
    index: "internal_faq.jsonl"
    prompt: |
      你是企業 FAQ 助理，回答時：
      - 引用文件來源 id
      - 若找不到答案，要明確說明而不是亂猜

幾個關鍵點：

• id 必須穩定：autoswarm 透過 id 來定位要改哪個 skill。
• 把行為拆成多個 skill，而不是一個 mega prompt，讓 autoswarm 有「局部調參」的空間。
• 為每個 skill 準備可計算的 success metric，例如：
• coding：測試通過數 / 單元測試覆蓋率提升。
• CLI：命令 exit code == 0 且輸出包含 expected pattern。
• FAQ：答案包含 ground truth 片段、或人工標註 score。

💡 關鍵： 每個 skill 綁一個可量化 metric，才能自動決定「這次改寫有沒有真的變好」。

---

3. 驗證集與回放：怎麼自動化

關鍵是把「我覺得好」變成可計算的 pass/fail：

• 來源：
• 基準測試（TerminalBench、內部腳本集）。
• 真的使用者對話 + 事後標註（成功：1、失敗：0）。

• 半自動生成：用模型自己產 task，再請另一模型打分。

• 回放機制：

• 對每個驗證樣本 (input, expected)，在新 skills.yaml 下跑一次 Agent，產生 output。
• 用簡單的 scorer 函數 計算分數，例如：
  • coding：跑 pytest，看全部通過比例。
  • CLI：比對 stdout 是否包含關鍵字，exit code 是否為 0。
  • FAQ：用一個 judge LLM（或傳統 NLP 指標）評估是否回答到點。

這層其實就是一個小型 harness：把「模型+skills」包成可測試的函式，對照 Deepseek 提出的觀點，就是那層讓 LLM 變成 Agent 的 runtime code。

---

4. 如何嵌進現有本地 Agent（MCP／子代理／skills-based）

不需要重寫整個 Agent，只要插入兩個 hook：

1. log hook：在 MCP server、子代理 router 或 skills selector 前後，記錄輸入、選到的 skill、輸出、評分。
2. offline autoswarm worker：定期（例如每天）跑反思-重寫-評估 loop，更新一個新的 skills_version，下次重啟 agent 或熱更新時載入。

常見集成方式：

• MCP：把 skills.yaml 當作 MCP tool 的配置，autoswarm 只負責改 YAML，MCP server 本身不改。
• 多代理框架（如 revfactory/harness）：autoswarm 對每個 agent 的 skill 檔做優化，讓「meta-agent」負責決定何時切版本。
• 傳統 skills-based 系統：把原本寫死在程式碼裡的 prompt 抽到 YAML，才能用 autoswarm 自動調參。

---

實作範例：最小可行 autoswarm（Python + YAML + Ollama）

下面是一個極簡版的 autoswarm：針對單一 skill（faq_lookup），用對話紀錄做反思、改寫 YAML，然後用驗證集評估是否接受改動。

1. 專案結構

project/
  skills.yaml
  logs.jsonl         # 真實對話紀錄
  val_set.jsonl      # 驗證集
  autoswarm.py

skills.yaml 示意（只保留 FAQ skill）：

skills:
  - id: faq_lookup
    type: retrieval
    prompt: |
      你是 FAQ 助理，只能根據提供的文件回答。
      若找不到答案，就回答「找不到」。

2. Python：反思 → 重寫 → 評估 loop

# autoswarm.py
import json, copy, subprocess, textwrap
from pathlib import Path
import yaml

SKILLS_PATH = Path("skills.yaml")
VAL_PATH = Path("val_set.jsonl")
LOGS_PATH = Path("logs.jsonl")

# --- 基礎調用 Ollama ---

def call_ollama(prompt: str, model="llama3.1") -> str:
    res = subprocess.run(
        ["ollama", "run", model],
        input=prompt.encode("utf-8"),
        stdout=subprocess.PIPE,
        check=True,
    )
    return res.stdout.decode("utf-8").strip()

# --- Step 1: 從失敗 log 產生改進建議 ---

def load_failed_examples(limit=5):
    examples = []
    with LOGS_PATH.open() as f:
        for line in f:
            obj = json.loads(line)
            if obj.get("success") is False:
                examples.append(obj)
            if len(examples) >= limit:
                break
    return examples


def reflect_on_failures(examples):
    prompt = """你是資深 prompt engineer。以下是 FAQ agent 的失敗案例：

{cases}

目前 FAQ skill 的行為描述較弱，請提出如何修改 skill prompt 才能避免這些錯誤。

輸出格式：
- mistakes: 一段文字說明主要錯誤
- patch: 改寫後的完整 prompt 內容（繁體中文）
"""
    cases_txt = "\n\n".join(
        [
            f"[CASE]\nquestion: {c['input']}\nwrong_answer: {c['output']}\nexpected: {c['expected']}"
            for c in examples
        ]
    )
    resp = call_ollama(prompt.format(cases=cases_txt))
    return resp

# --- Step 2: 產生候選 skills 版本 ---

def generate_candidate_skills():
    skills = yaml.safe_load(SKILLS_PATH.read_text())
    base_skills = copy.deepcopy(skills)

    failed = load_failed_examples()
    if not failed:
        print("no failed examples; skip")
        return None

    reflection = reflect_on_failures(failed)

    # 簡化處理：從 LLM 回應中用標記擷取 patch 區塊
    if "patch:" in reflection:
        patch = reflection.split("patch:", 1)[1].strip()
    else:
        patch = reflection

    # 套用到 faq_lookup
    for s in base_skills["skills"]:
        if s["id"] == "faq_lookup":
            s["prompt"] = patch

    return base_skills

# --- Step 3: 評估一個 skills 版本 ---

def run_agent(question: str, skills_obj) -> str:
    faq_skill = next(s for s in skills_obj["skills"] if s["id"] == "faq_lookup")
    sys_prompt = faq_skill["prompt"]
    full_prompt = textwrap.dedent(f"""
    系統指令：
    {sys_prompt}

    使用者問題：{question}
    請直接回答。
    """)
    return call_ollama(full_prompt)


def score_skills(skills_obj) -> float:
    total, ok = 0, 0
    with VAL_PATH.open() as f:
        for line in f:
            obj = json.loads(line)
            question = obj["input"]
            expected = obj["expected"]
            out = run_agent(question, skills_obj)
            total += 1
            if expected.strip() in out:
                ok += 1
    return ok / total if total else 0.0

# --- 主流程 ---

def main():
    current_skills = yaml.safe_load(SKILLS_PATH.read_text())
    base_score = score_skills(current_skills)
    print("base_score:", base_score)

    cand = generate_candidate_skills()
    if cand is None:
        return

    cand_score = score_skills(cand)
    print("candidate_score:", cand_score)

    if cand_score > base_score:
        backup = SKILLS_PATH.with_suffix(".bak.yaml")
        backup.write_text(SKILLS_PATH.read_text())
        SKILLS_PATH.write_text(yaml.dump(cand, allow_unicode=True))
        print("updated skills.yaml (backup saved)")
    else:
        print("candidate rejected; no improvement")


if __name__ == "__main__":
    main()

這個最小範例已經包含核心閉環：

• 反思：reflect_on_failures 用 LLM 分析失敗案例。
• 重寫：generate_candidate_skills 產出新的 FAQ skill prompt。
• 評估：score_skills 在驗證集上打分。
• 寫回 + 回滾：只有 score 提升才覆蓋 skills.yaml，並保留 .bak 方便回滾。

你可以把 run_agent 換成實際的 MCP 調用、子代理 router，整套邏輯依然成立。

---

建議與注意事項

1. 避免過度擬合驗證集

問題：skills 慢慢只會在 val_set 上變強，實戰反而變差。

建議：

• 拆 train / val / live 三層：
• train：用來產生候選改動。
• val：只決定是否接受改動。
• live：真實流量，週期性抽樣評估是否「線上變好」。
• 定期替換驗證集樣本，避免被「背題」。

2. 技能檔膨脹與行為漂移

問題：LLM 每輪都喜歡加條款、加例外，skills.yaml 越寫越厚，最後誰也看不懂。

建議：

• 為 autoswarm 的 rewrite prompt 加上硬性約束：字數上限、禁止新增無根據規則。
• 定期跑「壓縮輪」：請模型把冗長 skill 壓縮成短版，再用同一驗證集確認不降分。
• 每個 skill 保持一個簡短的 design doc（目的、scope、anti-goals），避免 autoswarm 把 skill「學壞」。

3. 無標準答案任務的侷限

在開放式對話、創作任務上，很難定義客觀 success metric。

可以考慮：

• 使用一個獨立 judge 模型，給 1–5 分，才算作 metric。
• 只對「明確可評」技能開 autoswarm（如 coding、CLI、FAQ），聊天維持手動設計。
• 針對負面行為（安全、合規）單獨設計 守門驗證集，只要出現就直接拒絕 candidate。

4. 版本控制與回滾策略

• 版本號：在 skills.yaml 加 version 欄位，每次 autoswarm 成功更新 +1。
• Git 管理：把 skills 連同 autoswarm logs 一起 commit，方便 bisect。
• 多版本 AB 測試：對企業內部 Agent，可同時跑兩個 skills 版本，對比使用者滿意度或工單解決率。

---

實際好處總結：

• 對本地 coding 助手：用單元測試當驗證集，讓 Agent 自動學會你的專案風格與工具鏈。
• 對 CLI 助手：從錯誤指令和 crash log 中反覆學習，逐步降低「爆炸指令」風險。
• 對企業 FAQ/ops agent：用真實工單與 FAQ 命中率做閉環，減少大家輪流調 prompt 的人工成本。

核心心態是：把 skills.yaml 當成模型參數來訓練，而不是只在 README 裡手動修改的一段文案。有了 autoswarm loop，你的本地 Agent 就能在既有硬體上持續「自我優化」，而不是每天重訓一個新模型。

🚀 你現在可以做的事

• 把現有 Agent 的系統 prompt 抽成 skills.yaml，為每個 skill 補上穩定 id 與對應 metric
• 寫一個最小版 autoswarm.py，先針對單一 skill（例如 faq_lookup）跑 reflect → rewrite → evaluate loop
• 準備一小批驗證集（10–20 筆即可起步），接上 CI 或排程，讓 skills 每天自動小幅優化