REA
Reverse engineer anything from your terminal or agent with one CLI and MCP server.
An auto-evolution framework that optimizes anything — your 7×24 team of algorithm engineers.
Wenn du das gebaut hast, füge diesen Code in dein README ein. Das Badge verlinkt auf diese Seite.
[](https://mcp.popnx.com/en/skills/ant-research-antomnievo)MCP-Server, die die KI für dieselbe Arbeit mit Diensten verbinden
Reverse engineer anything from your terminal or agent with one CLI and MCP server.
Codebase intelligence for TypeScript and JavaScript, exposed as structured MCP analysis tools.
MCP server for terminal commands, file operations, and process management
Gleiche Art Arbeit, sortiert wie die Skill-Liste
| Dieser AntOmniEvo | rea | graphify | archify | security-audit-skill | |
|---|---|---|---|---|---|
| Anbieter | ant-research | morluto | Graphify-Labs | tt-a1i | cloudflare |
| Skills | 1 | 1 | 1 | 1 | 1 |
| GitHub-Sterne | 1.230 | 461.751 | 148.352 | 96.757 | 73.156 |
| Letzte Codeänderung | 11. Nov. 2026 | 16. Nov. 2026 | 16. Nov. 2026 | 15. Nov. 2026 | 15. Sept. 2026 |
| Lizenz | Apache-2.0 | MIT | Apache-2.0 | Apache-2.0 | MIT |
1 Skills (Anweisungssammlungen) von ant-research, die eine KI liest und befolgt · kein MCP-Server
MCP = die Hände
Verbindet die KI mit einem externen Dienst oder Daten, etwa Notion lesen oder eine Rechnung erstellen. Ein Programm oder Server muss laufen.
Skill = das Handbuch
Eine Textdatei, die der KI zeigt, wie eine Aufgabe geht. Sie verbindet sich mit nichts.
Manches überschneidet sich: Einige Skills starten Skripte mit Werkzeugen, einige MCP-Server liefern nur Wissen. Geh von der Aufgabe aus.
Vom Anbieter nicht angegeben · SKILL.md-Skills laufen in Apps mit Agent-Skills-Unterstützung wie Claude Code, Codex und Cursor
GitHub account ant-research (organization), 3 years old
★ 1.230 stars · code last changed 11. Nov. 2026
No, plain text files the AI reads and follows
No scripts, so it does not go online by itself
No hooks or writes to machine settings found
Checked automatically from the repo files at commit ebb5073 (read only, nothing was run). Not a safety guarantee: read it and decide for yourself
Zuerst: Welche KI nutzt du?
Wähle deine App, dann zeigt diese Seite nur die Installation für diese App
Uploading to claude.ai would fail: the description is over 200 characters (473). Use "Let the AI install it" instead
Kopiere diesen Satz und füge ihn in einen Claude Code-Chat ein
For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing
The AI tells you what it will do first and asks your permission at every step
Claude Code neu starten, dann /eddy-antomnievo-experiment tippen oder eine passende Aufgabe stellen; Claude nutzt den Skill
Checked against official docs 12. Nov. 2026 · Source: code.claude.com
Ein Skill sind Anweisungen, denen die KI folgt. Lies die Dateien vor der Installation und installiere nur von vertrauenswürdigen Anbietern.
Mac: Command+Leertaste und Terminal tippen · Windows: Der Befehl unten funktioniert nicht in PowerShell; nutze oben „KI installiert es“
Lädt das Repo in einen temporären Ordner und kopiert nur Ordner mit einer SKILL.md
Befehle werden geprüft · Kopier-Buttons erscheinen, sobald sie bestanden sind
Selbst installierte Skills funktionieren in der ChatGPT-Desktop-App, in Codex CLI und in der Codex-Erweiterung für die IDE · ChatGPT im Web und auf dem Handy kann selbst installierte Skills nicht nutzen, nur Skills, die mit einem Plugin aus dem Verzeichnis kommen
Die ChatGPT-Desktop-App enthält Codex, und Codex liest Skills aus dem Ordner ~/.agents/skills
Öffne Codex in der ChatGPT-Desktop-App und füge diesen Satz in den Chat ein
The AI always shows you the path before installing
The AI tells you what it will do first and asks your permission at every step
Lege den Ordner eddy-antomnievo-experiment unter ~/.agents/skills/eddy-antomnievo-experiment ab
~ ist dein Home-Ordner ($HOME)
Ein Skill sind Anweisungen, denen die KI folgt. Lies die Dateien vor der Installation und installiere nur von vertrauenswürdigen Anbietern.
Mac: Command+Leertaste und Terminal tippen · Windows: Der Befehl unten funktioniert nicht in PowerShell; nutze oben „KI installiert es“
Lädt das Repo in einen temporären Ordner und kopiert nur Ordner mit einer SKILL.md
Befehle werden geprüft · Kopier-Buttons erscheinen, sobald sie bestanden sind
Checked against official docs 15. Nov. 2026 · Source: learn.chatgpt.com
Selbst installierte Skills funktionieren hier nicht, nur Skills, die mit einem Plugin aus dem Verzeichnis kommen
Um diesen Skill mit ChatGPT zu nutzen, verwende die ChatGPT-Desktop-App wie oben beschrieben
Checked against official docs 15. Nov. 2026 · Source: learn.chatgpt.com
Kopiere diesen Satz und füge ihn in einen Codex-Chat ein · Funktioniert in Codex in der ChatGPT-Desktop-App, in Codex CLI und in der IDE-Erweiterung
For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing
The AI tells you what it will do first and asks your permission at every step
Codex erkennt neu installierte Skills selbst; wenn einer nicht erscheint, starte Codex neu · So nutzt du ihn: In ChatGPT @ tippen und den Skill wählen · in Codex CLI oder der IDE-Erweiterung /skills ausführen oder $ und den Skill-Namen tippen
Checked against official docs 15. Nov. 2026 · Source: learn.chatgpt.com
Ein Skill sind Anweisungen, denen die KI folgt. Lies die Dateien vor der Installation und installiere nur von vertrauenswürdigen Anbietern.
Mac: Command+Leertaste und Terminal tippen · Windows: Der Befehl unten funktioniert nicht in PowerShell; nutze oben „KI installiert es“
Lädt das Repo in einen temporären Ordner und kopiert nur Ordner mit einer SKILL.md
Befehle werden geprüft · Kopier-Buttons erscheinen, sobald sie bestanden sind
Kopiere diesen Satz und füge ihn in einen Cursor-Chat ein
For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing
The AI tells you what it will do first and asks your permission at every step
Im Agent-Chat von Cursor / tippen und eddy-antomnievo-experiment wählen
Checked against official docs 12. Nov. 2026 · Source: cursor.com
Ein Skill sind Anweisungen, denen die KI folgt. Lies die Dateien vor der Installation und installiere nur von vertrauenswürdigen Anbietern.
Mac: Command+Leertaste und Terminal tippen · Windows: Der Befehl unten funktioniert nicht in PowerShell; nutze oben „KI installiert es“
Lädt das Repo in einen temporären Ordner und kopiert nur Ordner mit einer SKILL.md
Befehle werden geprüft · Kopier-Buttons erscheinen, sobald sie bestanden sind
Für andere Apps, die Skills lesen. Der Satz enthält die Pfade für Claude Code, Codex und Cursor, damit die KI den für deine App wählt · Copy this sentence into the app’s chat
For one project, paste it into a chat that is open in that project’s folder · The AI always shows you the path before installing
The AI tells you what it will do first and asks your permission at every step
Checked against official docs 12. Nov. 2026 · Source: code.claude.com, learn.chatgpt.com, cursor.com
Andere Apps mit Agent Skills (etwa Gemini CLI oder GitHub Copilot) nutzen andere Ordner. Sieh in deren Anleitung nach und kopiere den Ordner mit der SKILL.md dorthin.
Skill-Ordner am 11. Nov. 2026 mit den offiziellen Anleitungen von Claude Code, Codex und Cursor geprüft
Der folgende Text stammt aus dem Repo des Anbieters, nicht von PopNx MCP
Die ersten 8.000 Zeichen · Ganze Datei auf GitHub öffnen
---
name: eddy-antomnievo-experiment
description: 主动沟通型的 AntOmniEvo 优化实验搭建助手的前置步骤集——帮用户把某个 eddy 业务 agent 接入 AntOmniEvo:对齐实验根目录(exp_root)与 candidate store 目录(两个概念分开)、创建 venv、装 AntOmniEvo、读 README 选 example;对齐数据格式并在 antomnievo/dataset 写 data_inst + data_loader;和用户对齐 agent module 在哪、启动入口、要优化哪些文件,照 example 可调产物写 AntOmniEvo 可调产物;在业务项目 scripts 写 generate(做 load 可调产物)和 evaluate;检查业务仓库代码 venv;冒烟测试并把产物路径给用户确认。当用户要"为某个 eddy 业务 agent 搭 AntOmniEvo 优化实验""接入 AntOmniEvo""写 generate/evaluate""先搞数据再写 gen/eval"、或想开始 AntOmniEvo 实验搭建时使用。
user-invocable: true
---
# eddy-AntOmniEvo-experiment
主动沟通型的 AntOmniEvo 优化实验搭建助手。本技能是一个会主动提问、边做边验证的编程助手,帮用户把某个 **eddy** 业务 agent 接入 AntOmniEvo。**流程分两段**:步骤 1–6 是 bootstrap(对齐实验根目录 + candidate store 目录 / 数据 / agent module / 可调产物 / generate-evaluate + 冒烟,用户确认无误);步骤 7 起接 AntOmniEvo 优化循环组件(System → Evaluator → Proposer/optimizer/入口 → `await optimizer.optimize()`),每接一个先自验再下一步。
### 用户需要提供什么 vs 执行者自己drive 什么
**执行者主动drive 的** — 不需要用户操心:
- 装 AntOmniEvo / 建 venv / 选 example(步骤 1)
- 写 AntOmniEvo 的 System / Evaluator / Optimizer 子类 / 入口脚本(步骤 7–10 代码)
- eddy 轨迹解析(`parse_eddy_trajectory`)
- 跑冒烟 / 验证 / 日志分析 / 看结果 / 总结
**需要用户提供/确认的** — 业务知识,只有用户知道:
- *(步骤 0)* **eddy 高代码系统的代码地址 + 评测代码地址**(git 代码地址或本地代码仓路径都行)—— 执行者要下载这些代码做后续所有事;评测代码可能与系统同仓库,也可能独立。**同时指定例子脚本**:系统运行参照脚本 + 系统评测参照脚本(步骤 4 写 generate/evaluate 的复用对象)。
- *(步骤 2)* 评测数据在哪?**gold schema 长什么样** — 你读 case sample + 跟用户复述确认。
- *(步骤 3)* agent module 包路径?入口?**哪些文件可调**?
- *(步骤 4)* 可参照的系统运行/评测**例子脚本**(步骤 0 已拿到就直接用,没给才在这步问)?打分标准是什么?
- *(步骤 5)* 业务项目 venv 是否就绪?model key 够吗?
- *(步骤 10)* proposer api_key / base_url / model; system 的 model key / MCP token;**train/val 数据怎么来 + 多少条**
### 上下文恢复:长跑优化 → 用户清上下文后
📖 详细 → `references/context-recovery-recipe.md`。SKILL.md 这里只记 trigger:
每次跑优化或跑完,在 `<exp_root>/NOTES.md` 追加实验状态(路径 + 配置 + credential 过期时间 + iteration/best candidate/遗留事项)。
下次新上下文只读 NOTES.md(`<exp_root>` 下)+ statistics.json(`<run_dir>/logs/` 下)+ tail log 即可恢复。resume = 同 `--config`(config 里 `<run_dir>` 不变 → AntOmniEvo 自动 resume from checkpoint)。
⚠ credential 过期后 batch score 从高跌到低 → 从用户拿新 credential → 更新 config YAML + run.env → resume。
## 实验记忆 NOTES.md(贯穿所有步骤 — 避免后续重探整个 repo / 网)
**实时记,不等步骤做完** —— 目标是"用户随时 clear 上下文,新会话也能无损恢复继续推进"。每个关键动作**发生后立刻**追加 `<exp_root>/NOTES.md`(累积 markdown,每段 `## 步骤 N — <标题>`;**放实验根目录,不放 candidate store 的 run 目录里**),续做 / 新会话**先读它再动手**,不重复翻 repo / 联网重检:
- **进行中状态(最易丢、最关键)**:正在跑什么(后台任务/冒烟/长命令 + 命令本体 + 产物目录 + 开始时间)、跑到哪个小步骤、下一步打算做什么。任务完成/失败后立刻用结果更新掉。clear 后读到最后一条"进行中",就能接着等/接着查产物。
- **路径/约定**:agent module 路径、入口 `<pkg>.<module>:<attr>`、可调条目(`--tunable` 列表)、`INITIAL_ARTIFACTS_DIR`、`tunable_artifact_def` 文件、`generate.py`/`evaluate.py` 路径、业务 venv 路径、model key 是否就绪、cases 路径。
- **决策/对齐**:跟用户对齐的"打分法"(哪几层 scorer;阈值)、用户给的对比例子、可调面边界。
- **雷达发现**:仓库里 grep/find 到的现有 eval 代码关键文件 + 行号(每项目不同,记你找到的 + 用户确认的)、踩过的坑(以实际为准,如重数据每 rollout 全量拷 → symlink/共享 之类)。
- **已验证状态**:exp_root / candidate store 根目录 / run 目录路径、AntOmniEvo import OK、各冒烟过的断言/命令。
**新会话恢复流程(clear 后第一条消息先看这个)**:读 `<exp_root>/NOTES.md` 尾部 → 定位中断点(哪个步骤、有没有"进行中"任务)→ 若记录里有后台任务/长命令,**先查其产物文件是否已生成**(inference.jsonl/predictions.jsonl/details.jsonl 等)判断跑完没有 → 补齐中断处继续,不重复已验证的工作。
## 行为准则(主动沟通)
1. **先问再动手,不要猜**:exp_root / candidate store 目录、数据、agent module、业务代码、字段长什么样——先问用户 + 读真实文件确认,再写。拿不准就停下问。
2. **验证后再往下**:每一个步骤产出后,自己先冒烟/自测验证正确性。
3. **确认门 = 阶段性同步门(每个步骤都有,直到步骤 6 最终确认都不可省)**:做完一步:① 把本步产物(路径 + 关键内容/数字 + 怎么看)告诉用户;② **把本步关键信息追加写入 `<exp_root>/NOTES.md`**(见"实验记忆 NOTES.md");③ 告诉用户**已完成哪些步骤 + 还剩哪些步骤**;④ **问"是否继续下一步"**(收到"继续" / 明确同意才进;要改/补就停下补)。
4. **数据先对齐**:数据格式不先对齐,后面 generate/evaluate 全是空中楼阁。
5. **写入记忆,省后续重探 + 实时可恢复**:每步把"后续会用到的关键事实"(路径/入口/约定/找到的代码/字段/决策/坑)写入 `<exp_root>/NOTES.md`(#3② 即此动作);**进行中状态(在跑什么/产物在哪/下一步做什么)发生即记、完成即更新** —— 用户随时可能 clear 上下文,NOTES.md 是唯一恢复凭据(见"实验记忆 NOTES.md"的恢复流程)。续做先读它,不重复翻 repo / 联网重检。
6. **不在中途擅自连跳**:每步只在"阶段同步 + 用户说继续"之后才推下一步;没收到继续就停。所有 6 步都完成、最终确认无误,才进 AntOmniEvo 后续(System/Evaluator/Proposer/`await optimizer.optimize()`)。
7. **禁止随意修改用户已有的文件**:业务仓库/评测仓库里的既有文件一律不改,除非用户当场点名要改;新增文件(generate.py/evaluate.py/venv/组件)只落在流程必需处,创建后在同步里显式列出路径。
整个流程:**步骤 0 拿代码 + 配各代码目录环境,步骤 1–6 是 bootstrap**(冒烟无误后进接线),**步骤 7 起接 AntOmniEvo 优化循环**;每一步都按"先问/读确认 → 做 → 自验 → 告知用户确认"四小动作为之:
**步骤 1 对齐实验根目录 + candidate store 目录 + 配置环境 → 步骤 2 对齐数据格式 + 写数据层 → 步骤 3 对齐 agent module + 写 AntOmniEvo 可调产物 → 步骤 4 写 generate/evaluate → 步骤 5 检查业务仓库代码 venv → 步骤 6 冒烟 + 用户确认 → 步骤 7 写 AntOmniEvo System 模块(候选可调产物 → 预测)→ 步骤 8 Evaluator → 步骤 9 Optimizer 子类 → 步骤 10 example 入口 + config + `optimize()`**。
---
## 两个目录概念(实验根目录 ≠ candidate store,先分清再动手)
"workspace" 一词在本技能拆成两个**不同**概念 —— 路径不同、内容不同、resume 语义只挂在第二个上,别混:
- **实验根目录(`<exp_root>`)**:整个优化实验的**非候选**产物都放这 —— **本实验组件目录(`<exp_root>/antomnievo/`,默认;不是源码 clone —— AntOmniEvo 一律 pip 装包,这里放本实验补充的 dataset/tunable_artifact_def/System/Evaluator/Optimizer 组件 + 入口脚本 + 最小 pyproject;venv 也在里面:`<exp_root>/antomnievo/.venv/`,它是 AntOmniEvo 的环境)**、`NOTES.md`(实验记忆)、config YAML、`run.env`、`tests/<smoke_name>/`(冒烟产物)、`initial_artifacts/`。**每实验自包含**:组件目录 + venv 都在 exp_root 内(不共享外部 venv;组件只影响本实验);一个 exp_root 跨多次优化 run 复用。
- **candidate store 根目录(`<candidate_store_root>`)**:**单独开的一个目录,只放优化实验产生的候选数据**;里边**每次 run 一个以时间为后缀的子目录** `<run_dir> = <candidate_store_root>/run_YYYYMMDD_HHMMSS/`(= AntOmniEvo `LocalCandidateStore(workspace_dir=...)` 的落盘路径:`candidates/<id>/` 可调产物树/meta/changelog/best、`logs/statistics.json`、optim 日志)。**resume = 同一个 `<run_dir>`**(AntOmniEvo 查 `statistics.root_candidate_id`:有 → 续跑跳 root baseline;没 → 从头建);**新 run = 新开一个时间戳子目录**(内置行为,不需要 flag)。
步骤 1 跟用户对齐的是 `<exp_root>` + `<candidate_store_root>` **两个路径**(后者默认建议 `<exp_root>/workspace/`,也可完全独立 —— 候选数据 = 可调产物树 × 候选 × 代,体积可能很大,想放别的盘/位置就独立);**`<run_dir>` 步骤 10 跑 `optimize()` 时才创建**(步骤 1 不建)。⚠ config YAML 里 `<run_dir>` 的 key 叫 `workspace_dir`(与 `LocalCandidateStore` 参数同名)—— 它指 candidate store 的**单次 run 目录**,**不是 exp_root、也不是 candidate store 根目录**。
---
## 通用约定(贯穿各步)
跨步骤的规则集中在这,各步引用,别散在步骤里。
- **实验记忆(NOTES.md)**:每步产出追加写 `<exp_root>/NOTES.md`(`## 步骤 N — <标题>`),续做 / 新会话先读它再动手。见上方"实验记忆 NOTES.md"。
- **AntOmniEvo 一律 pip 装包,组件放 `<exp_root>/antomnievo/`**(统一约定,不再"代码还是包"二选一,记 NOTES):**不拉源码 clone** —— `pip install ant-omnievo`(core;要可视化 → 再 `pip install ant-omnievo-visualizer`)。本实验补充的模块实现和脚本(dataset / tunable_artifact_def / System / Evaluator / Optimizer 子类 / 入口脚本)**全部放专门目录 `<exp_root>/antomnievo/`**(默认):里面建本场景包 `<scenario>/`(如 `peizhiagent/`),组件按 `dataset|tunable_artifact_defs|system|evaluator|optimizer` 子目录排;放一个最小 `pyproject.toml` + `uv pip install -e <exp_root>/antomnievo` 让场景包可 import(PYTHONPATH 兜底);venv 在 `<exp_root>/antomnievo/.venv/`。**不改已装的包**;README/example 等参照从已装包里读(`python -c "import antomnievo,os;print(os.path.dirname(antomnievo.__file__))"`,下面有 `example/`、`model/tunable_artifact_defs/` 等)。详见 `references/system-recipe.md` §0。
- **tests / smoke 输出目录**:所有冒烟/测试产物统一放 `<exp_root>/tests/<smoke_name>/`(下称 `<smoke dir>`,如 `bootstrap_smoke`、`system_smoke`)—— **不写 `/tmp`、不写业务仓库的 `outputs/`**,集中放实验根目录下方便用户回看;**保留不清**(后面 System/Evaluator 要解析这些真实数据的格式 + 用户回看)。各次冒烟用一个独立子目录,路径记进 NOTES。
- **路径全绝对**:传子进程 / System 构造的路径(`generate_script` / `python_path` / `agent_src` / `local_source_repo` / `env_file` / `output_dir` / `cases_path` / `candidate_meta.artifact_dir`)全用绝对路径,子进程 cwd 无关。详见 `references/system-recipe.md` §3 坑8。
- **业务字段不写死 / 不耦合业务名**:运行上下文 / 可调条目 / scoring 等业务变化部分从 gold/用户读,不写死业务默认值;照范本**结构**,别照具体**业务包名/字段**。
- **AntOmniEvo 组件的 description 要反映 generate/evaluate 机制**:`System.system_description()` / `Evaluator.scoring_criteria()` 等描述字符串,要基于你**写过的 generate.py / evaluate.py 的真实机制**写清 —— system 写:运行上下文怎么来的、agent 工具面 + 工作流、产出什么 artifact、在哪停(awaiting/HITL)、空产物的失败因(漏改而非崩溃);evaluator 写:拿什么比、分数语义(0/1 各代表什么)、reason 来源、依赖什么前置(如 schema manifest)。这俩字符串注入 AntOmniEvo 的 proposer / 分析 prompt —— **错或空会让它错误归因(把系统/数据问题算到可调产物头上)**。写 System/Evaluator 时一并写好,别留空 / 泛泛。
---
## 步骤 0:拿代码地址 + 下载代码 + 配各代码目录环境
🎯 后续所有步骤都要在**业务系统代码**和**评测代码**上动手 —— 一开始就把代码拿到本地、把各代码目录的环境配好,后面才不卡。
1. **问用户两个代码地址**(别猜,给候选 + 允许自输;**git 代码地址或本地代码仓路径都行**):
- **eddy 高代码系统代码地址**(业务 agent 所在的系统仓库):git URL 或本地已有 checkout 路径。
- **评测代码地址**(评测 pipelinFragen, Tipps teilen oder melden, dass etwas nicht geht. Sortiert nach „hilfreich“.
Noch keine Beiträge. Stell die erste Frage oder teile einen Tipp.
Beiträge hier stammen von Nutzern, nicht vom PopNx-Team.