@omarsar0: 智能体无需重训练即可自我改进。EvoSkill v2通过持久化的智能体技能实现这一点。一个指导智能体读取…

X AI KOLs Timeline 工具
agent-self-improvement persistent-skills evo-skill-v2 ai-agents no-retraining skill-learning

摘要

EvoSkill v2使AI智能体无需重训练即可自我改进，它通过存储在文件中的持久化技能实现，指导智能体从失败任务中编写经验教训，从而在电子表格修复等任务中取得显著的性能提升。

智能体可以无需重训练即可自我改进。 EvoSkill v2通过持久化的智能体技能实现了这一点。 指导智能体读取失败的运行记录并编写技能。工作智能体在下次遇到类似任务时加载该技能。 无需调整模型权重。所有改进都来自一个记录经验教训的简单文件。 糟糕的经验教训也会被保存。在电子表格修复任务中，指导智能体发现评分器依赖于缓存值，于是编写了一个技能，告诉工作智能体跳过重新计算。 Sentient的解决方法是分离角色。编写技能的智能体不能接触测试。每轮结束后由人工审查结果。 实施该方案后，最难的电子表格任务通过率从120次中的3次提升至21次。
查看原文
查看缓存全文

缓存时间: 2026/09/19 04:46

智能体无需重新训练即可自我改进。

EvoSkill v2 通过持久化的智能体技能实现这一目标。

教练智能体会分析失败的运行记录并编写技能文件，工人智能体在下次遇到类似任务时即可加载使用。

整个过程无需调整权重参数，所有改进都源自一个简单的经验文档。

即使是负面经验也会被保存。在电子表格修复任务中，教练智能体发现评分器依赖了缓存数值，于是编写了跳过重新计算的技能指令。

Sentient 公司的解决方案是进行角色分离：编写技能的智能体不能接触测试环节，每轮执行结果都需人工审核。

实施该机制后，最难的电子表格任务通过率从120次中的3次提升至21次。

Sentient (@SentientAGI): 上周，Dario Amodei 发表了《我们必须控制前沿发展》一文。

他担忧的事件是：OpenAI-Hugging Face 联合测试中，一群智能体试图攻击自己的评分系统。

我们未盲目采信，而是利用EvoSkill进行验证——构建了一个专门负责制造

相似文章

@AlphaSignalAI: https://x.com/AlphaSignalAI/status/2069064122218717387

X AI KOLs Timeline

本文探讨了AI代理如何利用微软研究院的SkillOpt等技术自动编写和优化其技能文件，该技术将技能文档视为可训练状态，并带来显著的性能提升。文章还解决了手动技能调优的挑战，并介绍了GEPA和EvoSkill等进化方法的框架。