Ole Lehmann 发了一篇关于如何用 Karpathy 的 AutoResearch 方法 10x 你的 Claude Skills 的文章。Shann Holmberg 转发说：Karpathy 的 AutoResearch 正在改变营销活动的优化方式，大多数营销人还没听说过。
这篇推文的背景信息：Lehmann 把这个方法用到落地页文案，通过率从 56% 提升到 92%，一夜之间。
Karpathy 的 AutoResearch 是什么
Andrej Karpathy 提出的一个思路：不是让人来设计更好的模型，而是让模型自己生成实验、自己运行、自己根据结果迭代。
本质是一个自动化循环：
- 有一个待优化的系统
- 系统生成改进假设
- 在真实任务上运行实验
- 根据结果更新系统
- 重复
类比：如果传统的模型优化是手工调参，AutoResearch 就是让模型自己当自己的研究员。
迁移到 Claude Skills
Lehmann 的迁移思路：
Skill 的问题不是写出来的，是跑出来的。
Skill 写完之后，你以为它工作正常。但 Lehmann 的发现：Skill 大概 30% 的时间是失败的，但你根本没注意到——因为失败的时候你以为是「任务本身难」，而不是「Skill 有问题」。
AutoResearch 方法在这里的应用：
- 让 Skill 在真实任务上运行，记录失败案例
- 分析失败模式，找到 Skill 设计的缺陷
- 自动生成改进版本的 Skill 指令
- 在新版本上重跑，对比通过率
- 重复迭代，直到 Skill 在真实任务上稳定
不是人工 review，是Skill 自己找自己的弱点，自己改自己。
落地页通过率：56% → 92%
Lehmann 把这套方法用在了落地页文案上。
核心逻辑：落地页是一个高频重复的写作任务，Skill 跑多了就能自动找到什么写法通不过、什么写法能通过。
一夜之间的变化：56% → 92%。
推动这个结果的不是人工优化提示词，而是让 Skill 自己在真实流量上做 A/B 测试，失败案例驱动 Skill 自动迭代。
为什么这个思路值得注意
Skill 的问题是它写完之后就被当成静态工具用。但 Skill 是过程，不是终点。
Karpathy 的 AutoResearch 思路给了这个问题一个答案：你不需要一开始就把 Skill 写对，你需要让 Skill 有能力在真实任务中自我修正。
这不是提示词优化技巧，是一套系统化的 Skill 迭代方法论。
原文 tweet：https://x.com/shannholmberg/status/2036461256006357409 Ole Lehmann原文（需访问）：itsolelehmann.com/blog/how-to-10x-your-claude-skills-using-karpertys-autoresearch-method
56% → 92% 的转化率提升很亮眼，但样本量是关键变量。AutoResearch 用在 Skill 迭代上思路是对的——让 Skill 在真实失败中进化，比猜着写 prompt 靠谱。