SkillOpt：一种使用深度学习式优化循环的自我进化代理技能的执行策略

它解决了什么问题

SkillOpt 解决了 AI 代理技能缺乏可复现、规范化的优化方法的问题。大多数代理技能要么是手工打造，要么在一次性生成后使用，但在反馈下往往难以可靠提升。SkillOpt 将技能文档本身视为冻结模型的“可训练状态”，使技能能够在不修改模型实际权重的前提下演化和改进。

工作原理

SkillOpt 实现了一个针对文本技能的训练循环，借鉴了深度学习的概念。它使用一个独立的优化器模型来分析带分数的 rollout，并对技能文档执行有界编辑（添加、删除或替换文本）。只有当候选编辑严格提升了留出的验证分数时，才会被接受。为了保持稳定性，系统采用了文本学习率预算、被拒编辑缓冲区以及按 epoch 的更新方式。最终得到的结果是一个紧凑的 best_skill.md 文件，可在推理时与任何目标模型一起使用，且无需额外开销。

适用人群

该工具面向构建 AI 代理的开发者和研究者（例如使用 Claude Code、Codex 或 Copilot 的用户），帮助他们在特定任务或基准上实际优化代理性能，而无需进行昂贵的模型微调。

亮点

• 无权重优化：在不触碰模型权重的情况下提升代理性能。
• 零推理开销：优化后的技能产物是一个简单的 markdown 文件，部署时直接使用。
• 高性能：在多个基准和目标模型（如 GPT-5.5）上展示了显著的准确率提升。
• 跨模型迁移：优化后的技能可以在不同模型规模和执行环境之间迁移。
• 可扩展架构：支持多种后端（OpenAI、Azure、Claude、Qwen、MiniMax），并且易于添加新基准。

摘要

SkillOpt 是一个框架，将代理技能文档视为可训练状态，利用深度学习式的优化循环在不修改模型权重的前提下演化并提升代理性能。

标题

SkillOpt：一种使用深度学习式优化循环的自我进化代理技能的执行策略