机器之心编辑部

从大模型的提示词到智能体的 Skills，看着进化了，但又没有完全进化。

在智能体应用中，越来越多的程序员开始花大量时间写 CLAUDE.md、Codex的 skill 文件、各种 Agent 的 system prompt。

手写这些技能文档，本质上是一种试错的手工活。写一版，跑几个任务看看效果，觉得哪里不对再改，改完再跑。这个过程和之前手调 prompt 没有本质区别，只是对象从一句话变成了一整份文档。

这件事其实挺荒诞，我们本来是想让更智能的 AI 帮我们干活的，结果现在反过来，我们在花大量精力教 AI 怎么干活。

这个问题似乎迎来了终点，微软在本周开源了SkillOpt，一个把 Agent 技能文档当作「可训练参数」的文本空间优化框架，让技能文档自我进化。

官网链接：https://microsoft.github.io/SkillOpt/#idea Github 链接：https://github.com/microsoft/SkillOpt 论文链接：https://arxiv.org/abs/2605.23904

核心思路很简单，不训练模型权重，只训练那份指导 Agent 行为的自然语言文档。在 7 个目标模型、6 个基准测试、3 种执行环境（直接对话、Codex、Claude Code）的全部 52 个评测组合中，SkillOpt 训练出的技能文档全部达到最优或并列最优

Skills 也能优化训练

SkillOpt 的核心洞察可以用一句话概括：Agent 的技能文档就是它的「外部权重」，既然内部权重可以用梯度下降来优化，外部权重也应该有一套系统化的训练方法。

SkillOpt 流程。冻结的目标模型使用当前技能执行；优化器模型提出有界的修改；保留的验证决定候选是否成为新的当前技能。

训练循环：前向传播、反向传播、参数更新

传统深度学习的训练循环是：前向传播算 loss，反向传播算梯度，用梯度更新权重。SkillOpt 把同样的逻辑搬到了文本空间：

Rollout（前向传播）：冻结的目标模型拿着当前版本的技能文档去执行一批任务，记录完整的执行轨迹，包括消息、工具调用、验证反馈、最终得分。这一步产出的是「证据」，相当于神经网络的前向传播结果。 Reflect（反向传播）：一个独立的优化器模型分析这批执行轨迹。关键设计是，失败案例和成功案例被分开反思。失败的 minibatch 用来发现「哪些操作规则需要修正」，成功的 minibatch 用来确认「哪些现有规则在起作用，不能动」。这一步相当于计算「文本空间的梯度」，告诉系统技能文档该往哪个方向改。 Edit（参数更新）：优化器模型基于反思结果，提出对技能文档的结构化编辑操作：添加新规则（add）、删除失效规则（delete）、替换需要修正的规则（replace）。 Gate（验证门控）：候选的新技能文档必须在一个 held-out 的验证集上跑一遍，只有性能严格提升时才被接受。这一步防止过拟合，确保每次更新都是真正的改进。

整个循环跑多个 epoch，每个 epoch 内跑多个 step，和训练神经网络的节奏完全一致。

文本学习率：防止灾难性遗忘

训练神经网络时，学习率太大会导致灾难性遗忘，模型学了新东西就忘了旧东西。SkillOpt 在文本空间遇到了完全相同的问题：如果一次编辑改动太大，可能把之前学到的有效规则覆盖掉。

解决方案是引入「文本学习率」（textual learning rate）：每一步允许的编辑操作数量有上限。论文中默认设置为 lr=4，即每步最多 4 个 add/delete/replace 操作。这个约束迫使优化器每次只做小幅调整，保持训练稳定性。

消融实验验证了这个设计的必要性：去掉学习率约束后，SearchQA 上的性能从 87.1% 降到 84.6%，SpreadsheetBench 从 77.5% 降到 75.7%，LiveMath 从 61.3% 降到 57.3%。

被拒绝编辑的缓冲区：负反馈记忆

另一个精巧的设计是 rejected-edit buffer。当一个编辑提案被验证门控拒绝时，它不会被简单丢弃，而是进入一个缓冲区。优化器在后续的反思阶段可以看到这些「失败的尝试」，从而避免重复提出类似的无效编辑。

这相当于给优化器提供了负梯度信息：不仅知道该往哪走，还知道哪些方向已经试过了走不通。

消融实验同样证实了它的价值：去掉 rejected buffer 后，SpreadsheetBench 从 77.5% 骤降到 72.9%。

慢更新与元技能：长期记忆机制

SkillOpt 还引入了两个跨 epoch 的记忆机制：

Slow Update：每个 epoch 结束时，对整个 epoch 内所有被接受的编辑做一次纵向对比分析，找出跨 step 的一致性模式，产出一次更大范围的更新。这类似于深度学习中的学习率 warmup 或周期性大步更新。 Meta Skill：优化器自身也有一份「元技能」文档，记录它在优化过程中积累的经验（比如「对这个 benchmark，关注工具调用的格式比关注推理步骤更有效」）。这份元技能在 epoch 间持续更新，让优化器本身也在进化。

关键的是，这两个机制只在训练时存在。部署时，目标模型只需要那份最终的 best_skill.md，不需要任何额外的模型调用或记忆模块。推理时的开销为零。

52 项评测全面领先

主实验：7 个模型 × 6 个基准 × 3 种环境

SkillOpt 的评测覆盖面相当全面：

目标模型包括 GPT-5.5、GPT-5.4、GPT-5.4-mini、GPT-5.4-nano、GPT-5.2、Qwen3.5-4B、Qwen3.6-35B-A3B，从最强的闭源模型到 4B 参数的小模型都有。

基准测试覆盖 6 个不同类型的任务：SearchQA（问答）、SpreadsheetBench（代码生成 / 电子表格操作）、OfficeQA（工具增强问答）、DocVQA（文档视觉问答）、LiveMathematicianBench（数学推理）、ALFWorld（具身智能体）。

执行环境包括直接对话、OpenAI Codex、Anthropic Claude Code 三种主流的 Agent 执行框架。

在全部 52 个（模型 × 基准 × 环境）评测组合中，SkillOpt 达到最优或并列最优。

几个亮点数据：

GPT-5.5 直接对话模式：平均提升 + 23.5 分，其中 SpreadsheetBench 提升 38.9 分，OfficeQA 提升 39.0 分 GPT-5.4-nano（最小模型）：平均提升 + 24.9 分，DocVQA 提升 49.4 分，ALFWorld 提升 35.1 分 GPT-5.5 + Codex 环境：SpreadsheetBench 提升 57.5 分 GPT-5.5 + Claude Code 环境：SpreadsheetBench 提升 58.3 分

小模型的提升幅度反而更大，这说明技能文档对能力较弱的模型帮助更显著。一份好的操作手册，对新手的价值远大于对专家的价值，这个直觉在 AI Agent 上同样成立。

对比实验：碾压所有基线方法

SkillOpt 对比了 6 种基线方法：无技能（no skill）、人工编写技能（human skill）、LLM 一次性生成技能（LLM skill）、Trace2Skill、TextGrad、GEPA。

在每一个 benchmark 上，SkillOpt 都超过了最强的基线方法：

SearchQA：超过最强基线 + 1.9 分 SpreadsheetBench：超过最强基线 + 4.4 分 OfficeQA：超过最强基线 + 4.1 分 DocVQA：超过最强基线 + 1.7 分 LiveMath：超过最强基线 + 9.2 分 ALFWorld：超过最强基线 + 8.9 分

值得注意的是，TextGrad 和 GEPA 都是已有的文本优化方法，SkillOpt 对它们的优势说明，系统化的训练循环设计（学习率、验证门控、负反馈缓冲）确实比松散的自我修正更有效。

迁移实验：一次训练，多处部署

SkillOpt 训练出的技能文档表现出很强的迁移能力：

跨模型迁移：在 GPT-5.4 上训练的 LiveMath 技能，直接迁移到 GPT-5.4-nano 上使用，提升 15.2 分。不需要针对小模型重新训练。 跨环境迁移：在 Codex 环境中训练的 SpreadsheetBench 技能，直接迁移到 Claude Code 环境中使用，提升 31.8 分。这意味着你在一个 Agent 框架里优化好的技能文档，换到另一个框架里依然有效。 自优化：即使用 GPT-5.4-nano 同时作为目标模型和优化器模型（自己优化自己），SpreadsheetBench 上仍然提升了 10.4 分。这说明 SkillOpt 的训练循环本身提供了足够的结构化约束，即使优化器不比目标模型更强，也能发现有效的改进方向。 部署极简：最终部署时只需要一个 best_skill.md 文件。不需要优化器模型，不需要记忆模块，不需要任何额外的推理开销。

技能进化的可视化：从失败中学习

论文中展示了一个 ALFWorld 任务上的完整训练过程，目标模型是 GPT-5.4-mini，优化器是 GPT-5.5。

初始技能文档是一份简洁的 ALFWorld 操作指南。经过 4 个训练 step 后，技能文档中新增了这些规则：

「将任何通用的目标容器实例视为有效」 「维护一个严格编号的已搜索集合，不重复检查已观察过的位置」 「在某一类位置连续多次未命中后，扩大搜索范围」

这些规则都是从失败轨迹中自动提炼出来的。比如第三条，来自 Agent 在某些任务中反复搜索同一类位置却找不到目标物品的失败经验。优化器观察到这个模式后，提出了「扩大搜索范围」的规则。

最终效果：ALFWorld 测试集的 hard 难度从 70.9% 提升到 85.8%。

整个过程中，Step 3 的编辑一度导致验证集性能下降，但被 slow update 机制救回。Step 4 的训练集得分更高，但验证集没有提升，因此被门控拒绝。这种「提出假设、验证、接受或拒绝」的循环，和人类科研的方法论如出一辙。

SkillOpt 告诉我们，智能体的一切都是可以自我学习的。

人类在 AI 工作流中的角色又往后退了一步。未来，我们会把更多的认知负担转移给机器。