1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | optim-agent |
| 作者/维护者 | Optim-Agent（GitHub 组织，未公开个人/机构背景） |
| 来源链接 | https://github.com/Optim-Agent/optim-agent |
| 许可证 | MIT（GitHub API 获取） |
| GitHub Stars | 365（GitHub API） |
| Forks | 22（GitHub API） |
| 最新版本 | PyPI 0.1.1（2026-07-14 发布，GitHub API 交叉核实） |
| 安装方式 | pip install optim-agent，或 Codex 环境下 $skill-installer install |
2. 功能介绍与亮点
optim-agent 让 Claude Code / Codex / OpenCode 等编码 Agent 充当“超参数调优师”：Agent 读懂代码里可配置参数的含义与相互关系，提出一组候选配置，运行用户指定的真实评测命令，再把结果记录进一个类似 Optuna 的 ask/tell 试验数据库，用测量出的客观指标而不是 Agent 的直觉决定下一步怎么调。
核心能力：
- 贴合项目上下文的采样：不是黑盒随机搜索，而是先读项目代码理解参数语义与约束，再提出配置，闭环由用户自己的评测脚本给出真实反馈。
- 试验可恢复、可审计：所有试验记录在仓库本地的
.optim-agent-runs/目录（默认已被 git 忽略），中断后可从 JSON/SQLite 存储恢复，不会丢失历史。 - 安全边界写进技能说明本身：明确规定“不得调优密钥、凭据或无边界参数”，把安全约束当作操作规则的一部分。
- 多 Agent 环境通用：不依赖 Codex 专有 API，只需要文件读写、shell 与 Python 环境即可运行。
主要亮点：仓库工程规范完整（CI、依赖机器人更新、贡献指南、安全策略齐备），文档站点独立部署，README 提供九种语言版本，PyPI 独立发布验证了真实分发。
3. 适用场景
所属分类：工程效率与代码质量
适合需要反复调参才能拿到最优结果的工程场景：模型训练超参数搜索、推理服务的性能参数调优、量化策略参数寻优、强化学习超参数搜索，以及其他“改一个数字、跑一次评测、看结果”的昂贵黑盒调优任务。受益人群是本身用 Claude Code / Codex 等 Agent 写代码、又需要系统化调参而不想手写贝叶斯优化脚本的工程师与研究者。
4. 跨 Agent 兼容性
- Claude Code：原生支持——README 明确带 “Claude Skill” 徽章并链接官方 Skills 文档，SKILL.md 给出直接放入 Agent 可见工作区即可使用的说明。
- Codex：原生支持——README 带 “Codex Skill” 徽章，且提供
$skill-installer install专用安装命令。 - OpenClaw：SKILL.md 正文明确写出 “OpenCode/OpenClaw” 可用，判断依据为文档自述，未做进一步实测。
- Hermes Agent：未验证——已抓取材料中未提及。
5. 推荐理由
它把“改参数、跑评测、看结果、再决策”这套工程师日常调参循环，转成了 Agent 能照做的标准工作流，还内置了试验存档、失败/剪枝状态区分、断点续跑等工程细节，比让 Agent 凭感觉瞎调更可靠，也比手写 Optuna 脚本更省事——尤其适合训练/推理/量化策略这类“一次评测很贵”的场景。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 6 | GitHub 365 stars，仓库创建约 2 周即达到该量级，PyPI 近一月约 270 次独立下载可交叉印证；尚未发现独立第三方讨论 |
| 可用性 | 9 | 一条 pip install 命令即可用，SKILL.md 给出完整可执行工作流与代码示例，文档站点独立部署，近一周内仍有代码提交，无付费依赖 |
| 安全性 | 8 | 见下方检查清单 |
安全检查清单：
- ① Shell 命令：会执行 pip 安装与用户自己指定的评测命令，范围限定在用户项目内，可审计
- ② 联网外发：仅 pip 从 PyPI/GitHub 拉取包本身，未发现其他外发行为
- ③ API Key/凭据：不需要任何密钥；SKILL.md 明文禁止调优密钥、凭据类参数
- ④ 可疑指令：抓取的 SKILL.md 与仓库文件中未发现提示注入或隐蔽指令迹象
- ⑤ 作者/组织信誉：GitHub 组织账号，工程规范完整，近期提交为正常功能开发与文档维护，未见刷星或操纵性措辞
- ⑥ License：MIT，明确
- ⑦ 维护时间：近一周内仍有提交，活跃维护
综合评分 = 三项均值 ≈ 7.7
7. 跟同类 Skills 相比的优势
| 名称 | 定位 | 与本技能的差异 |
|---|---|---|
| Optuna / Ray Tune 等传统调参库 | 需要工程师自己写采样循环、集成到训练脚本里 | optim-agent 把这套流程包装成 Agent 可直接执行的技能，Agent 自己读代码理解参数语义、发起试验，无需工程师手写胶水代码 |
| performance-optimization（addyosmani/agent-skills 子技能） | 面向前端/通用代码的性能优化建议 | 聚焦代码层面的性能改进手法，不涉及系统化的参数搜索与试验记录 |
| vercel-optimize（vercel-labs/agent-skills 子技能） | 面向 Vercel 部署环境的构建/运行时优化 | 针对特定托管平台的优化建议，不是通用的黑盒参数寻优工具 |
optim-agent 的差异化在于它是“Agent 原生”的调参工作流，试验历史、失败/剪枝状态、断点续跑这些工程细节都设计成 Agent 可直接读写的结构化数据，而不是一份泛泛的优化建议清单。
8. 用户评价
该技能目前在第三方平台尚无具名用户评价；GitHub 议题区暂无社区讨论，仅有 Dependabot 自动发起的依赖更新合并请求。
9. 其他补充
README 提供英、简体中文、日语、韩语、法语、德语、西班牙语、葡萄牙语、俄语九种语言版本；PyPI 已发布 2 个版本（0.1.0、0.1.1），近一月约 270 次独立下载。
10. 安装使用方式
- Claude Code / OpenClaw：将本仓库或
SKILL.md放入 Agent 可见的工作区，请求 Agent 按 optim-agent 工作流执行即可，无需 Codex 专有 API。 - Codex：
$skill-installer install https://github.com/Optim-Agent/optim-agent - Python 环境准备（二选一）：
- 稳定版：
pip install optim-agent - 源码版：
pip install "optim-agent @ git+https://github.com/Optim-Agent/optim-agent.git"
- 稳定版：
- 安装后无需重启 Agent，直接在对话中提出调参需求即可触发；首次运行会在项目目录下创建
.optim-agent-runs/存放试验记录，并自动加入 git 忽略列表。
11. 注意事项
- 需要用户自备可执行的评测命令/脚本作为客观反馈来源，optim-agent 本身不判断“好坏”，只负责采样与记录。
- 默认用 JSON 存储做单进程串行试验，仅明确需要多进程并发时才切换 SQLite。
- 技能声明不调优密钥、凭据类参数，但仍需用户自行确认评测脚本不会误操作生产环境。
- 仓库年轻（约 2 周），社区反馈样本有限，实际稳定性有待更长时间验证。