📦 迭代优化器

⚠️ 发布规则 所有发布到 ClawHub 的技能必须严格测试，确认无问题后再发布。

技能测试验证清单

• frontmatter 格式正确
• 迭代流程完整
• 评估指标明确
• 收敛条件清晰
• 无语法错误

Iteration Optimizer - 迭代优化器 原创技能 | 激活词：迭代优化 / 改进代码 / 自动调优

核心概念 AI 生成的代码通常需多轮迭代优化：

• 首版往往非最优
• 需持续反馈与调整
• 迭代是达成高质量的关键

迭代流程 原始代码 ↓ 第 1 轮评估 → 问题 1 + 建议 1 ↓ 应用改进 ↓ 第 2 轮评估 → 问题 2 + 建议 2 ↓ … ↓ 收敛（达到目标标准）

评估维度

• 正确性 (Correctness)

CORRECTNESS_METRICS = { 'compilation': '能否编译通过', 'test_pass': '测试是否通过', 'edge_cases': '边界情况处理', 'error_handling': '错误处理', }

• 性能 (Performance)

PERFORMANCE_METRICS = { 'time_complexity': '时间复杂度', 'space_complexity': '空间复杂度', 'response_time': '响应时间', 'resource_usage': '资源消耗', }

• 可读性 (Readability)

READABILITY_METRICS = { 'naming': '命名是否清晰', 'comments': '注释是否充分', 'structure': '结构是否合理', 'formatting': '格式是否规范', }

• 可维护性 (Maintainability)

MAINTAINABILITY_METRICS = { 'coupling': '耦合度', 'cohesion': '内聚度', 'duplication': '重复代码', 'dependencies': '依赖关系', }

评分系统 def evaluate_code(code: str, metrics: dict) -> Score: scores = {} for metric_name, metric_func in metrics.items(): scores[metric_name] = metric_func(code) weights = { 'correctness': 0.4, 'performance': 0.3, 'readability': 0.2, 'maintainability': 0.1, } final_score = sum(scores[k] * weights[k] for k in weights) return Score( overall=final_score, breakdown=scores, grade=get_grade(final_score), )

def get_grade(score: float) -> str: if score >= 0.9: return 'A' elif score >= 0.8: return 'B' elif score >= 0.7: return 'C' elif score >= 0.6: return 'D' else: return 'F'

改进建议生成 def generate_improvements(code: str, score: Score) -> list[Improvement]: improvements = [] if score.correctness < 0.8: improvements.append(Improvement( priority='high', category='correctness', issue='测试未全部通过', suggestion='添加边界条件测试', )) if score.performance < 0.7: improvements.append(Improvement( priority='high', category='performance', issue='循环嵌套过多', suggestion='考虑使用缓存或优化算法', )) if score.readability < 0.6: improvements.append(Improvement( priority='medium', category='readability', issue='变量命名不清晰', suggestion='使用描述性命名', )) return improvements

迭代控制 最大迭代次数 MAX_ITERATIONS = 5 收敛条件 CONVERGENCE = { 'score_threshold': 0.9, 'improvement_threshold': 0.02, 'max_iterations': 5, 'time_limit': 60, }

终止条件 def should_stop(iterations: int, score: Score, prev_score: Score) -> bool: if score.overall >= 0.9: return True improvement = score.overall - prev_score.overall if improvement < 0.02 and iterations > 2: return True if iterations >= 5: return True return False

输出格式

迭代优化报告

第 3 轮迭代

当前评分

• 总分: 0.85 (B)
• 正确性: 0.90
• 性能: 0.78
• 可读性: 0.82
• 可维护性: 0.85

本轮改进

✅ 修复了空指针异常 ✅ 优化了循环结构

剩余问题

⚠️ [中等] 注释不足 ⚠️ [中等] 可以使用更高效的算法

建议改进

• 添加函数文档注释
• 考虑用字典查找替代线性搜索

收敛状态

进度: 3/5 轮 提升: +0.08 (相比第 2 轮) 状态: 🔄 继续迭代

实际应用示例 场景：优化排序算法 用户：“帮我优化这个排序函数” 第 1 轮：

• 评分：0.65 (D)
• 问题：O(n²) 复杂度太高
• 建议：使用快速排序

第 2 轮：

• 评分：0.78 (C+)
• 问题：递归栈溢出风险
• 建议：改用迭代实现

第 3 轮：

• 评分：0.88 (B+)
• 问题：基准选择不合理
• 建议：使用三数取中法

第 4 轮：

• 评分：0.93 (A)
• 状态：✅ 收敛完成

集成建议 配合技能 | 效果 workflow-verifier | 验证每次迭代结果 hallucination-detector | 检测迭代中的幻觉 karpathy-principles | 保持代码简洁

原创性声明 本技能为原创，融合：

• 代码质量评估模型
• 迭代优化算法
• 收敛判断逻辑
• 多维度评分系统

作者：laosi 创建日期：2026-04-28