论文页面 - SkillOpt-Lite: 通过一行 Vibe 实现更好更快的智能体自我进化

来源：https://huggingface.co/papers/2607.03451

摘要

本文提出了一种面向技能优化的最小可行流程，通过零阶优化形式化，消除冗余，同时通过轨迹探索、共识挖掘和验证门控原则保持收敛性与泛化能力。

尽管面向自主智能体的技能优化 (https://huggingface.co/papers?q=skill%20optimization) 已受到关注，但现有方法依赖复杂流程。这留下了一个根本性问题未解决：什么样的技能优化 (https://huggingface.co/papers?q=skill%20optimization) 流程才是最小可行的——其中每个组件都有理论或实证必要性支撑？我们通过零阶 (ZO) 优化形式化技能优化 (https://huggingface.co/papers?q=skill%20optimization)，将经典对应方法（中心差分、置信域）映射到近期文献中。同时注意到，与经典零阶优化中的盲目数值扰动不同，技能轨迹可提供可解释的调试反馈。基于 Claude Code 理念和 PAC 学习，我们建立了三个关于收敛 (https://huggingface.co/papers?q=convergence) 和泛化 (https://huggingface.co/papers?q=generalization) 的原则：基于文件系统的轨迹探索 (https://huggingface.co/papers?q=trajectory%20exploration)、共识属性挖掘 (https://huggingface.co/papers?q=consensus%20attribute%20mining) 以及独立验证门控 (https://huggingface.co/papers?q=validation%20gating)。在消除冗余后，我们提出了 SkillOpt-Lite (https://huggingface.co/papers?q=SkillOpt-Lite)。它加速了收敛 (https://huggingface.co/papers?q=convergence)，并全面优于完整 SkillOpt：在 GPT-5.5 上将 LiveMath 提升 +8.8 分，在 GPT-5.4-nano 上提升 +25.4 分，使 nano 模型超越经 SkillOpt 优化的标准 GPT-5.4。最后，我们将该框架集成到 VSCode Copilot 等生产级编码智能体中，使开发者能够通过一行 Vibe 进化智能体技能。由于我们的框架将所有智能体组件视为标准可编辑代码，该最小流程自然泛化至完整 Harness 优化 (HarnessOpt (https://huggingface.co/papers?q=HarnessOpt))。在 SpreadsheetBench 上，HarnessOpt (https://huggingface.co/papers?q=HarnessOpt) 使 GPT-5.4-nano 达到 0.7758 的准确率，超越了运行标准流程的更大模型 GPT-5.5（0.7620）。代码见 https://github.com/EvolvingLMMs-Lab/SkillOpt-Lite (https://huggingface.co/papers?q=SkillOpt-Lite)。

查看 arXiv 页面 (https://arxiv.org/abs/2607.03451) 查看 PDF (https://arxiv.org/pdf/2607.03451) 项目页面 (https://evolvinglmms-lab.github.io/SkillOpt-Lite/) GitHub14 (https://github.com/EvolvingLMMs-Lab/SkillOpt-Lite) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.03451)

在你的智能体中获取本文：

hf papers read 2607\.03451

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

没有模型引用本文

请在模型 README.md 中引用 arxiv.org/abs/2607.03451，以在此页面建立链接。

引用本文的数据集 1

cy0307/awesome-loop-engineering Viewer • 更新于约 10 小时前 • 380 • 1.06k • 2 (https://huggingface.co/datasets/cy0307/awesome-loop-engineering)

引用本文的 Space 0

没有 Space 引用本文

请在 Space README.md 中引用 arxiv.org/abs/2607.03451，以在此页面建立链接。

收录本文的收藏 0

没有收藏收录本文

请将本文添加到一个收藏 (https://huggingface.co/new-collection) 中，以在此页面建立链接。