1. 产品总体概述

1.1 什么是 Famou Skills

Famou Skills 是 Famou 进化优化平台提供的一组智能工作流 Skill，内置于支持 Famou 进化实验的 AI 助手之中。它们共同构成一个端到端的自动化闭环：从理解用户的优化问题、生成实验工件、提交云端进化实验，到最终将最优解可视化展示，全都不需用户手动编写任何代码。

主要适用于以下场景：

• 组合优化（TSP、VRP、调度、装箱等）
• 机器学习模型训练与调参（分类、回归、NLP等）
• 时序预测与数据驱动优化
• 工艺参数优化与材料逆向设计
• 含障碍物的路径规划、机器人轨迹规划等工程类问题

1.2 整体架构

四个 Skill 相互协作，构成完整的优化工作流：

提示： 在实际使用中，四个 Skill 并不总是必须顺序执行。根据任务类型，假如数据已经清晰无需分析，您可以直接从第 2 步（artifact-generator）开始。

1.3 核心概念说明

1.4 账号升级与积分增购

注意：如果用户需要账号升级或者积分增购，可登录https://workspace.famou.com/billing进行相关操作

2. Skill 功能详解

2.1 famou-artifact-generator —— 任务工件生成器

功能定位： 整个工作流的入口和大脑。负责把用户用自然语言表述的优化问题转化为 Famou 进化平台可直接运行的标准工件。

核心能力：

• 任务定义自动化：扫描数据与上下文 → 与用户澄清目标 / 约束 / I/O → 产出 problem.md 任务契约
• 三件套生成：依据 problem.md 自动写出 Famou 实验所需的 evaluator.py（评分接口）、init.py（初始解）、prompt.md（演化引导）
• 双候选区分度验证：自动用两个不同质量的解跑评测，确保评分函数能正确分辨优劣，再固化最优者为基线
• 工作区自整理：中间产物归档到 build/，根目录只保留四件核心工件，方便提交
• 无缝衔接求解：完成后直接交接 famou-experiment-manager 提交云端实验，全流程闭环

工作流程：

2.2 famou-data-analysis —— 数据分析工具

功能定位： 以业务理解为先导的数据分析工具，不仅读取数据和统计指标，更要首先理解业务背景和用户目标，并以业务语言解释分析结论。

核心能力：

• 快速探查：自动识别数据格式（CSV / Excel / JSON / Parquet 等），输出字段类型、规模、空值与异常分布
• 质量诊断：检查缺失值、重复行、类型不一致、离群点，并给出预处理建议
• 统计摘要：分布、相关性、关键统计量与可视化片段
• 管道生成：按需输出可复用的数据清洗 / 特征处理脚本
• 报告输出：将分析结论结构化为可直接嵌入 problem.md 的"数据描述"段落

数据质量分级处理原则：

2.3 famou-experiment-manager —— 实验管理器

功能定位： 负责实验的全生命周期管理（提交、监控、查询、暂停、恢复、取消和获取结果）。自动处理与 Famou 云端平台的所有通信细节。

核心能力：

• 环境与账号：检查 famou-ctl 安装、API 配置；查询账户信息、积分余额与套餐
• 实验提交：Normal 模式和Hybrid 模式
• 提交前自动 dry-run 估算积分消耗，确认充足后再正式创建
• 任务管理：list / status / pause / resume / cancel / delete 等完整操作
• 状态监控：周期性轮询，区分"在线验证"与"演化运行"两个阶段，统一格式汇报进度
• 结果获取：下载最佳解、查看日志、生成 PDF 报告

两种运行模式：

2.4 famou-result-visualization —— 结果可视化工具

功能定位： 将进化实验产出的最优解（Python 代码形式）转化为一个完全自包含、支持交互的 HTML 可视化页面。它展示的是“解的效果”，而非进化的过程。支持包括 path_map, schedule_grid, packing_rect, graph_color, gantt, ml_viz 等多种场景。

核心能力：输入 Python 代码形式的优化解 + 问题描述 → 输出单文件交互式 HTML 页面，直观展示"这个解长什么样"

支持的可视化类型：

3. 环境配置与Skills部署

本章适用于初次使用 Famou Skills 的用户。请按顺序逐步完成以下配置：

在使用Famou Skills之前，您需要先有一个自己的Coding Agent，例如Claude Code, Codex, OpenClaw等等。

系统环境要求：

• Python >= 3.12
• pip 最新版 (用于安装 famou-sdk)
• 网络连接 (能访问 Famou 云端 API)
• Famou 账户 (含有效 API Key)

快速配置命令：

1pip install famou-sdk==1.1.0

部署Skills:

您可以通过在Claude Code中运行以下命令，将此存储库注册为 Claude Code 插件市场：

1/plugin marketplace add baidubce/skills

之后，要安装此套skills：

1. 选择Browse and install plugins
2. 选择bce-agent-skills
3. 选择您需要的Skill组合
4. 选择Install now

或者您可以克隆此仓库并将此skills复制到您的 Claude skills目录中：

1rm -rf ~/.claude/skills/famou-*                    # remove old version
2git clone https://github.com/baidubce/skills.git   # download from github
3cp -r skills/skills/* ~/.claude/skills/            # install to claude-code config directory
4npx skills list -g                                 # view all installed skill

又或者您可以直接与Claude Code进行自然语言对话“帮我配置安装这几个Skills”并把Famou Skills链接发给Claude Code。

使用其他Coding Agent时，您同样可以拷贝Famou Skills到对应Agent的skills文件夹下，或直接与Agent进行自然语言对话，让其帮忙配置安装这几个Skills，并把Famou Skills链接发给Agent。

配置API Key:

告诉Coding Agent自己的 Famou API KEY，让其自行配置即可。用户可登录伐谋官网：https://cloud.baidu.com/product/famou.html ，进入管理平台后，点击左下角头像，在“个人信息”页面中复制 伐谋API Key。

4. 用户使用流程与漫游指南

本章以完整的业务案例为您演示如何组织和使用工作流。

4.1 案例一：社交评论侮辱性检测

任务背景： 在现代社交媒体环境中，海量用户生成内容每天涌现，大量包含侮辱性言论的文本可能对社区生态造成破坏。平台需要一种自动化、可靠的手段来识别潜在的侮辱内容，辅助内容审核和社区治理。

澄清模式：

在此模式下，系统通过循序渐进的引导帮助您完善任务定义：

1. 发送初步模糊指令。
2. Agent进行一系列提问。工具扫描数据，主动识别数据异常，等待您确认处理方案。数据就绪后，工具进入 Scan -> Clarify 阶段。每次与您核对一个要素。
3. 您进行相关问题的澄清。
4. 在您确认 problem.md 后，工具才会为您生成后续的 evaluator.py 与 init.py 并在本地完成校验，校验通过后提交。

步骤1： 将问题发给Coding Agent，并进行澄清
1	输入模糊描述，例如：“我们社区论坛每天都有大量的新增评论，人工审核根本看不过来。需要一个自动化模型帮我们把那些带有侮辱性或攻击性的评论揪出来，历史评论数据我已经整理成了文件。”
2	将数据发送给Agent，Agent进行相关数据分析。
3	Agent对该问题不清楚的地方详细追问，用户进行一步步的澄清。
4	完成相关澄清后，Agent生成problem.md，并与用户沟通确认。
5	确认无误后Agent进行三件套的生成（evaluator.py /init.py /prompt.md），并自动进行本地验证。
6	选择提交模式（公有云or混合云）。【本示例中使用混合云hybrid方法，请注意只有企业版用户可使用混合云模式，非企业版账户只能使用云端模式】
7	创建任务配置（可根据实际情况与Agent沟通进行修改）。
8	Agent查看用户当前积分余额，判断是否有足够的可用积分完成该次任务，用户确认提交。
步骤2： 管理实验过程
1	可以与Agent实时沟通查看实验情况，例如“现在拉一次云端实验状态，看演化轮次/迭代进度”，“定期汇报云端演化进度”等，此示例为混合云模式，也可以通过Agent查看本地 evaluator worker 进程。
步骤3： 查看实验结果
1	可以使用Agent查看、分析并可视化实验结果。
2	可视化结果如右图所示。

直接模式：

如果您对需求非常明确，希望快速执行，可一次性给出详尽 Prompt 越过澄清阶段，例如：

“我们正在构建社区内容审核系统，需要训练一个 NLP 模型检测侮辱性评论。训练数据在 train.csv，请在 Comment 字段进行文本预处理，提取特征，以 Insult 为目标变量训练二分类模型。核心评估指标是 ROC-AUC。最终严格按照 sample_submission_null.csv 格式输出预测概率。请直接生成所有工件并使用Hybrid模式提交实验。”

4.2 案例二：扫地机器人路径优化问题

任务背景： 扫地机器人路径优化问题（Recurring Cleaning Route）是一个动态巡回优化问题，扫地机器人需要在一个NxN的有墙壁的方格板上清洁，每个方格有不同的“脏污易感度”，扫地机器人会沿固定路线循环清洁。每次移动，到达的方格脏污度清零，其他方格脏污度按其易感度增加。路线需(0,0)出发返回(0,0)，至少访问所有方格一次，最终总的长度不超过10万。扫地机器人的目标是找到一条路线，使长期循环清洁后的平均总脏污度最小。

直接模式：

1. 在此模式下，您直接下发包含物理逻辑与运行约束的完整 Prompt，不需要Agent进行追问。
2. 工具扫描数据，主动识别数据异常，如发现异常，则等待您确认处理方案。
3. 在您确认 problem.md 后，工具才会为您生成后续的 evaluator.py 与 init.py 并在本地完成校验，校验通过后提交。

步骤1： 将完整问题发给Coding Agent
1	输入清晰描述，例如：“我们正在为一个 N \times N（20 ≤ N ≤ 40）的带障碍物厂区规划扫地机器人的动态循环清洁路线。测试数据存放在本地 in 文件夹中，包含了网格大小、横纵向墙壁矩阵以及每个格子的脏污易感度 d{i,j}。该启发式组合优化算法需要输出一条由 'U', 'D', 'L', 'R' 组成的字符串路线。路线必须满足：从 (0,0) 出发并回到 (0,0)，不穿墙，访问所有可达节点至少一次，且总步数不超过 100,000 步。每次移动会清零脚下格子的脏污度，而其他格子的脏污度按 d{i,j} 增加。你的核心优化目标是使得该路径在无限循环下的“全图平均总脏污度”最小。”
2	Agent生成problem.md，并与用户沟通确认。
3	确认无误后Agent进行三件套的生成（evaluator.py /init.py /prompt.md），并自动进行本地验证。
4	选择提交模式（公有云or混合云）。【本示例中使用公有云】
5	创建任务配置（可根据实际情况与Agent沟通修改）。
6	Agent查看用户当前积分余额，判断是否有足够的可用积分完成该次任务，用户确认提交实验。
7	Agent提交实验套件到云端。
步骤2： 管理实验过程
1	可以与Agent实时沟通查看实验情况，例如“现在拉一次云端实验状态，看演化轮次/迭代进度”，“定期汇报云端演化进度”等。
步骤3： 查看实验结果
1	使用Agent查看并分析实验结果。
2	使用Agent将实验结果可视化。

澄清模式：

在此模式下，您只需抛出核心目标，例如 “我们要为扫地机器人规划清扫路径以最小化肮脏度”：

1. 工具发现数据后，自动执行扫描。
2. 工具会向您发问澄清物理规则：如墙壁数据的结构定义、脏污度累计的计算公式等。
3. 在反复核对约束条件后，完成后续操作。

5. 常见问题与注意事项

5.1 工件生成相关

• 工具连续提问多个问题：正常现象，本工具设计为每轮只提一个问题，逐一回答即可。
• init.py 验证失败 (validity=0)：候选解违反了某项硬约束。工具会自动分析错误并修复，无需手动干预。
• 工具跳过了确认步骤：这是工具的一个设计约束。如果发现工件不对齐，直接告知工具需要修改哪些内容。

5.2 实验提交相关

• credits 不足，提交失败：工具会展示预估费用和当前余额并停止。到官网充值后重试。
• Hybrid Worker 异常退出：查看 .famou/eval_trace 日志。常见原因：评估器代码异常、内存超限、认证失败。修复后先删除实验再重新提交。

5.3 安全注意事项

• API Key 是敏感信息，请将其存储在本地配置文件中，勿提交到 Git 仓库或分享给他人。
• 不要将包含个人信息、商业机密的数据文件用于 Normal 模式，请改用 Hybrid 模式在本地库执行评估。
• 实验过程中产生的所有 Python 代码均由 Famou 进化引擎自动生成，请确保在安全沙箱环境中运行。