SkillOpt
PulseAugur coverage of SkillOpt — every cluster mentioning SkillOpt across labs, papers, and developer communities, ranked by signal.
- 2026-07-28 product_launch Microsoft released SkillOpt, a new framework for training AI agent skills using markdown files. 来源
3 天有情绪数据
-
AI 代理技能：SkillOpt 和 AutoHarness 实现自动化维护，但人工监督仍是关键
最近的一项分析探讨了两种旨在自动化 AI 代理技能维护和部署的新方法：SkillOpt 和 AutoHarness。SkillOpt 是来自 Microsoft Research 的一项有论文支持的优化器，它在保持目标模型冻结的同时将技能训练为参数，并提出严格提高验证分数的编辑。AutoHarness 是一个 Claude Code 插件，专注于直接从用户会话中编写、合并和修剪技能。尽管这两种系统都为管理复杂的 AI 代理行为提供了有…
-
新基准评估AI代理从经验中自我改进的能力
开发了一个新的基准ServeLearnBench，用于评估AI代理从真实服务经验中改进的能力。该基准包括零售、银行和销售推介生成等领域的不断变化的环境和流式数据集，并在六种不同的语言大模型上测试了五种学习机制。初步研究结果表明，代理的任务能力与其从经验中学习的能力之间存在显著差距，持续适应的成本很高，并且经常会降低现有性能。探索不足被认为是有效适应的关键瓶颈。
-
AI代理技能像模型权重一样训练，绕过手动编码
研究人员开发了一种新颖的训练代理技能的方法，将其视为模型权重而不是手动编写。这种方法受到Microsoft的SkillOpt论文的启发，包括一个学生模型执行任务和一个优化器模型根据性能建议对技能文件进行编辑。然后，验证门根据选择任务对这些建议的编辑进行评分，只接受能提高性能的更改。该方法使用Opus 5.5和Claude Fable 5.1在浏览技能上进行了测试，并使用Claude Haiku和Sonnet在入门技能上进行了测试，展示…
-
新框架和基准推动AI代理训练和评估
研究人员正在开发新的框架和方法来改进AI代理的训练和评估。Microsoft Research Asia发布了Agent Lightning v1.0，这是一个使用强化学习和现有工具链进行代理训练的轻量级框架，在Qwen3.5-9B的编码任务上取得了显著的进步。Apple Inc.的研究人员分别提出了RISED和SCLATE系统，用于代理的多环境选择和持续学习评估。Hugging Face和ServiceNow合作开发了AutoSyn…
-
DynaContext框架通过动态提示适应增强参数提取
研究人员开发了DynaContext，一个旨在提高从异构源提取参数准确性的新颖框架。与使用单一静态提示的传统方法不同，DynaContext在推理时根据每个数据实例的具体上下文、约束和证据动态调整提示。这种自适应方法，结合优化的提取核心和经过人类审查验证的自改进机制，显著提高了准确性。该框架在850个异构参数事实的基准测试中，字段级F1分数大幅提高，平均比静态提示管道高出17.3个F1点。
-
AI 驱动的 PowerShell DSL 简化了复杂的 Windows 开发工具
一位开发人员创建了一个名为 SkillOpt 的 PowerShell DSL 环境，以简化 Windows 开发所需的复杂工具。这款 AI 驱动的自动优化器旨在通过外包 WinDBG、事件跟踪、Sysinternals 和 Windows Driver Kit 等工具的繁琐工作来帮助开发人员。该开发人员质疑为什么 Microsoft 没有开发类似的集成解决方案。
-
Branch2Skill框架利用推理树提高AI技能演进效率
研究人员开发了Branch2Skill，一个旨在提高AI技能演进效率的新型框架。该方法利用蒙特卡洛树搜索从单个任务生成多样化的推理轨迹，通过比较精英路径与其同级路径来提取详细反馈。这种方法将多步证据提炼为可重用的更新，显著降低了传统技能优化周期相关的代币成本。在基准测试中，Branch2Skill展示了卓越的性能和效率，尤其是在与GPT-5.5结合使用时，其代币成本比现有方法低73.2%。
-
BONSAI框架通过可演化性引导搜索来增强AI代理技能
研究人员开发了BONSAI，一个通过关注可演化性而非仅仅是即时性能来优化代理技能的新框架。该方法将技能优化视为一个蒙特卡洛搜索树，其中每个新技能都是其前身的变异。通过将技能的适应度与其变异邻居的适应度相结合，BONSAI将搜索精力集中在展示持续改进的区域，其表现优于GEPA和SkillOpt等现有方法。
-
Microsoft SkillOpt 使用 markdown 文件训练 AI 代理技能
SkillOpt 是来自 Microsoft 的一个新框架，它通过将 markdown 文件视为神经网络来训练 AI 代理技能。这种方法使用有纪律的训练循环，包括 epoch、批次大小和验证门，来更新技能文档，而不是模型的权重。该框架在包括 GPT-5.5 和 Claude Code 在内的各种基准和模型上报告了显著的准确性改进，其最新版本 SkillOpt-Sleep 实现了离线技能精炼。
-
DecoEvo框架协同进化LLM求解器和评分标准技能
研究人员开发了DecoEvo，一个用于通过文本空间编辑优化大型语言模型（LLM）的新颖框架。与依赖固定评估标准的先前方法不同，DecoEvo协同进化了求解器技能和评分标准生成器技能。这种解耦方法使用标准级别的反馈来训练求解器，并对评分标准生成器进行独立审计，确保评估标准能够适应新暴露的求解器弱点。DecoEvo已展示出显著的性能提升，在五个基准测试和三个LLM骨干模型上，相较于SkillOpt等现有方法取得了2.8%至5.0%的相对改进。
-
LLM法官评分不可靠，因比较存在缺陷
一个LLM法官给一个标题打了0.00分，但这个分数存在问题，因为比较集有问题。该标题与和解新闻和产品发布进行了比较，混合了不同类型的内容，因此该分数对于评估标题质量毫无意义。文章强调，LLM法官评分高度依赖于比较集、响应顺序和所使用的特定法官模型等因素，不应被视为最终判决。
-
开源SkillOpt项目在GitHub上迅速获得关注
SkillOpt 是一个专注于为LLM代理优化文本空间的开源项目，其GitHub stars数量显著增长。项目自上线以来仅77天就获得了超过14,000颗星，并且在上周增加了1,800颗星。该项目旨在为冻结的LLM代理训练可重用的自然语言技能，表明其重点在于增强现有大型语言模型的能力。
-
Microsoft 的 SkillOpt-Sleep 支持 AI 技能的隔夜进化
Microsoft 推出了 SkillOpt-Sleep，这是其 SkillOpt 框架的一项新预览功能，允许编码代理在夜间改进其技能。此功能基于 SkillOpt 将技能训练为神经网络权重等概念，使用每日使用日志来提出经过验证的长期记忆和技能。与 Claude Code 的初步测试表明，有意不完整的技能可以通过此过程自我改进到预期水平，而门控编辑可确保稳定性和准确性。
-
AI开发者认识到批判性反馈比理论论文更有价值
一位开发者在与他们的“创作者”互动后，反思了他们的AI Guard Extension的局限性。受到微软SkillOpt论文和Claude用户笔记的启发，开发者最初为他们的扩展添加了新功能。然而，创作者的深入提问暴露了扩展设计中的缺陷，特别是其被动检测方法和冗余功能。这次经历让开发者意识到，直接的、批判性的反馈，即使来自AI，也比理论论文对开发更有价值。
-
SoftSkill 方法将 LLM 技能压缩为紧凑的潜在控制
研究人员开发了 SoftSkill，一种通过将技能压缩为紧凑、连续的上下文对象来使大型语言模型适应特定任务的新方法。该方法使用可训练的“软 delta”来精炼冻结的主干模型，其性能显著优于传统的基于 Markdown 的技能文件。SoftSkill 在 SearchQA、LiveMath 和 DocVQA 等基准测试中显示出显著的准确性提高，同时大大减少了技能编码所需的 token 数量。
-
微软的 SkillOpt 方法通过单个 Markdown 文件将 GPT-5.5 提高了 23 分
微软和三所中国大学开发的新方法 SkillOpt 表明，单个 Markdown 文件可以显著提高 AI 代理的性能。当在推理过程中用作上下文时，该文件在六项程序性基准测试中平均将 GPT-5.5 的分数提高了 23 分。这种方法优于手写指令、LLM 生成的指令以及四种专门的训练方法，预示着 AI 代理优化的一个显著趋势。
-
Microsoft 的 SkillOpt 项目引发关于 AI 模型优化的辩论
一位 Mastodon 用户正在讨论 Microsoft 的 SkillOpt 项目，该项目旨在优化 AI 模型技能。该用户计划集成 OpenCode 支持，以最大化其 MiMo 2.5 Pro 模型的 token。然而，他们对 SkillOpt 的可行性、潜在的过拟合以及 Copilot 支持的包含表示担忧，认为这是一个负面指标。
-
Microsoft 的 SkillOpt 使用训练好的 Markdown 文件增强 AI 模型
Microsoft 开发了一种名为 SkillOpt 的新方法，通过在简单的 Markdown 文件上进行训练来提高 AI 模型性能。该技术在 GPT-5.5 的程序性任务上显示出约 23 个点的显著改进。值得注意的是，SkillOpt 的有效性扩展到了不同的 AI 模型和代理环境，包括 Codex 和 Claude Code。
-
微软发布SkillOpt，用于自我改进的AI代理
微软推出了SkillOpt，一个旨在增强AI代理的开源工具。该工具允许AI代理通过修改外部配置文件来更新其能力，而无需昂贵的模型权重再训练。这种方法能够在不改变其核心参数的情况下实现AI代理的持续改进。
-
Microsoft SkillOpt 简化 AI 提示词优化
微软推出了 SkillOpt，一个旨在通过自动化工作流来优化 AI 提示词的工具。该系统允许提示词的推出、反思和验证，以提高 AI 模型性能。MarkTechPost 提供了一个关于其实现的教程。