一周3.3k star，微软开启Skills自我进化，像训练神经网络一样训练技能

从大模型的提示词到智能体的 Skills，表面上看是进化了，但仔细琢磨一下，又感觉没完全进化。

现在做智能体应用，越来越多的人把时间花在写 CLAUDE.md、Codex 的 skill 文件，以及各种 Agent 的 system prompt 上。这事儿听起来挺高级，但实际操作起来，本质就是手工试错：写一版，跑几个任务看看效果，觉得不对再改，改完再跑。这个循环，和当年手调 prompt 有什么区别？无非是对象从几句话变成了一整份文档。

细想一下，这其实有点荒诞。我们原本的目标是让更智能的 AI 替我们干活，结果到头来，反而是我们在花大力气教 AI 该怎么干活。

不过，这个问题也许终于看到了终点。微软本周开源了一个叫 SkillOpt 的框架，思路很有意思——把 Agent 的技能文档当作“可训练参数”，在文本空间里做优化，让技能文档自己学会进化。

核心逻辑并不复杂：不去训练模型权重，而是专门训练那份用来指导 Agent 行为的自然语言文档。在涵盖 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 训练出的技能文档均达到最优或并列最优。

Skills 也能优化训练

一句话概括 SkillOpt 的核心洞察：Agent 的技能文档，本质上就是它的“外部权重”。既然模型内部的权重可以用梯度下降来优化，那外部权重凭什么就不能有一套系统化的训练方法？

流程大致如下：冻结的目标模型使用当前技能执行任务，优化器模型则提出有边界的修改，最后通过保留的验证来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，大家都熟悉：前向传播算 loss，反向传播算梯度，再用梯度更新权重。SkillOpt 把这个逻辑搬到了文本空间，一一对应：

：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，完整记录下执行轨迹——包括消息、工具调用、验证反馈和最终得分。这一步产出的就是“证据”，相当于神经网络的前向传播结果。

：一个独立的优化器模型，来分析这些执行轨迹。关键设计在于，失败案例和成功案例是分开反思的。失败的 minibatch 用来识别“哪些操作规则需要修正”，成功的则用来确认“哪些现有规则在起作用，不能动”。这一步，实际上就是在计算“文本空间的梯度”，告诉系统技能文档该往哪个方向调整。

：优化器模型根据反思结果，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）、替换有问题的规则（replace）。

：候选的新技能文档必须在一个 held-out 的验证集上再跑一遍，只有性能严格提升时才被接受。这一步是为了防止过拟合，确保每一次更新都是实打实的改进。

整个循环会跑多个 epoch，每个 epoch 内又有多个 step，节奏上和训练神经网络几乎完全一致。

文本学习率：防止灾难性遗忘

训练神经网络时，学习率设太大容易导致灾难性遗忘——学了新东西，旧的就忘了。SkillOpt 在文本空间遇到了完全一样的问题：一次编辑改动如果太大，很可能把之前学到的有效规则覆盖掉。

解决方案很直接，引入一个“文本学习率”（textual learning rate）：每一步允许的编辑操作数量设个上限。论文中默认是 lr=4，也就是每步最多进行 4 个 add/delete/replace 操作。这个约束迫使优化器每次只做小幅调整，从而保持训练的稳定性。

消融实验也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% 滑到 84.6%，SpreadsheetBench 从 77.5% 降到 75.7%，LiveMath 从 61.3% 降到 57.3%，降幅都相当明显。

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，它不会被简单丢掉，而是进入一个缓冲区。优化器在后续的反思阶段能看到这些“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：不仅知道该往哪个方向走，还知道哪些方向已经试过、走不通。消融实验证实了它的价值：去掉 rejected buffer 后，SpreadsheetBench 的性能从 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：

：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，然后产出一轮更大范围的更新。这有点像深度学习中的学习率 warmup 或周期性大步更新。

：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，让优化器本身也在不断进化。

关键在于，这两个机制只在训练时存在。部署的时候，目标模型只需要那份最终的 best_skill.md，既不需要优化器模型，也不需要记忆模块，推理时的额外开销为零。

52 项评测全面领先

主实验：7 个模型 × 6 个基准 × 3 种环境

SkillOpt 的评测覆盖面很广：

目标模型从 GPT-5.5、GPT-5.4、GPT-5.4-mini、GPT-5.4-nano、GPT-5.2，到 Qwen3.5-4B、Qwen3.6-35B-A3B，既有最强的闭源模型，也有 4B 参数的小模型。基准测试覆盖 6 种不同类型的任务：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）。执行环境则包括直接对话、OpenAI Codex 和 Anthropic Claude Code 三种主流框架。

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

几个值得注意的数据：

• 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

有趣的是，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——这个直觉放在 AI Agent 身上同样成立。

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。优化器模型、记忆模块、额外的推理开销，统统不需要。

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，都是从失败的轨迹中自动提炼出来的。比如第三条，就源自 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% 提升到了 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，和人类做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，可能又要往后退一步了。未来，我们会把更多的认知负担转移给机器。