skillopt

微软开源了 SkillOpt，这是一个能让AI智能体技能自我改进的工具，通过自动评估和重写指令，无需绑定特定模型，即可超越手工制作的提示和其他优化器。

微软的SkillOpt系统通过将AI的技能文档视为一个从自身失败中学习的活模型，使ChatGPT准确率从41%提升至80%，在多个基准测试中取得了显著提升，且推理时零开销。

这条推文讨论了微软的SkillOpt论文，该论文通过使用一个小的技能文件来指导智能体，在不重新训练的情况下将GPT-5.5的准确率从41%提升至80%。

微软推出SkillOpt，一种将智能体技能文档像神经网络一样训练的方法，通过epoch、batch、学习率和验证集来进行优化，但不修改模型权重。在多项基准测试中取得最佳结果，可跨模型和工具迁移。

微软提出SkillOpt方法，将文档作为可训练参数，通过优化自然语言文档而不改动权重来提升模型性能，在6个benchmark上取得52连胜，GPT-5.5提升23.5分，Claude Code提升19.1分。

这篇 MUSE-Autoskill 论文聚焦于 Agent 如何管理整个技能库，将 skill 放入完整的生命周期：创建、记忆、管理、评估和再优化。

微软开源了 SkillOpt，这是一种将 markdown 技能文件视为神经网络参数来训练 AI 智能体的方法，无需修改模型权重，并使用学习率、验证检查、小批量数据和训练轮次进行优化。

为 Codex 用户提供的一个小贴士，介绍如何使用目标模式和本地配置将智能体研究论文直接实现到 Codex 环境中，并以 SkillOpt 为例，它将 GPT-5.5 智能体提升了 +24.8 分。

本文解释了从提示工程到技能工程的转变，并介绍了用于训练、维护和优化技能的方法，如 SkillOpt、SkillOps 和 SkillMOO。