SkillOpt：一種使用類深度學習優化迴圈來實現代理技能自我演化的執行策略

它解決了什麼問題

SkillOpt 解決了 AI 代理技能缺乏可重複、有紀律的優化問題。雖然大多數代理技能是手工打造或單次生成的，但它們在反饋下往往無法可靠地改進。SkillOpt 將技能文件本身視為凍結模型的「可訓練狀態」，允許技能在不需要修改模型實際權重的狀況下進行演化與改進。

運作原理

SkillOpt 使用深度學習的概念為文本技能實現了一個訓練迴圈。它使用一個獨立的優化器模型來分析評分後的執行結果（rollouts），並對技能文件進行有界編輯（添加、刪除或替換文本）。只有當候選編輯能嚴格提升驗證分數時，才會被接受。為了保持穩定性，它採用了文本學習率預算、被拒絕編輯的緩衝區以及按輪次（epoch-wise）的更新。最終結果是一個精簡的 best_skill.md 文件，可以在推理時配合任何目標模型使用，且無需額外的開銷。

對象是誰

此工具專為開發者和研究人員設計，特別是那些正在構建 AI 代理（例如使用 Claude Code、Codex 或 Copilot 的開發者）並希望在特定任務或基準測試上優化其代理性能，而無需進行昂貴的模型微調的人。

重點亮點

• 無需權重的優化：在不觸及模型權重的狀況下提升代理性能。
• 零推理開銷：優化後的技能產物是一個簡單的 markdown 文件，用於部署時使用。
• 高效能：在多個基準測試和目標模型（例如 GPT-5.5）上展示了顯著的準確度提升。
• 跨模型遷移：優化的技能可以跨越不同的模型規模和執行框架進行遷移。
• 可擴展架構：支持多個後端（OpenAI、Azure、Claude、Qwen、MiniMax）並允許輕鬆添加新的基準測試。