SkillOpt - 微软开源的Agent技能文档优化工具

SkillOpt是什么

把Agent的技能文档当成神经网络来训练——这就是SkillOpt的核心思路。微软开源的这款工具，把深度学习的那套训练逻辑搬到了文本空间里：将skill.md视为可训练参数，通过轨迹分析生成编辑方向，用文本学习率约束有界修改，再经保留验证集门控筛选，最终迭代产出best_skill.md。更关键的是，它支持跨模型、跨工具链迁移，部署时零额外开销。在52个评估单元中全部达到最佳，让Agent技能的优化变得像神经网络一样可量化、可复现。

SkillOpt的主要功能

• 技能文档训练
  ：像训练神经网络那样迭代优化skill.md，包含前向传播、反向传播、参数更新和验证门控。

• 有界编辑控制
  ：通过文本学习率限制每次编辑的幅度，避免语义跳变或覆盖已有有效规则。

• 拒绝编辑缓冲
  ：记录被验证门拒绝的编辑方向，防止优化循环中反复踩同一个坑。

• 跨模型/跨工具迁移
  ：在一个模型上训练出的技能文档，可直接迁移到同系列小模型、不同工具链（如Codex ↔ Claude Code），或相近的基准测试。

• 零部署开销
  ：最终产物只是一个300–2000 token的Markdown文件，部署时不需要额外增加推理调用。

如何使用SkillOpt

• 安装
  ：通过pip安装SkillOpt及其依赖。

• 配置API
  ：复制环境变量模板文件，填入OpenAI、Azure或Anthropic等平台的API密钥。

• 准备数据
  ：将原始任务数据按训练集、验证集和测试集划分好，也可以让SkillOpt自动完成划分。

• 启动训练
  ：运行训练脚本，指定配置文件、教师模型与学生模型，开始迭代优化技能文档。

• 获取产物
  ：训练完成后，在输出目录中获取最终生成的best_skill.md技能文档及各轮迭代快照。

• 部署使用
  ：直接将best_skill.md的内容嵌入目标Agent的系统提示词中即可生效，无额外推理开销。

SkillOpt的核心优势

• 系统性优化
  ：告别“写文档→运行→凭感觉改”的试错循环，提供可量化、可复现的技能提升路径。

• 全场景领先
  ：在6个基准、7个目标模型、3种执行工具链的52个评估单元中，全部取得最佳或并列最佳。

• 显著性能提升
  ：GPT-5.5平均提升+23.5个百分点；ALFWorld上GPT-5.4-mini从70.9%提升到85.8%。

• 一次训练，到处部署
  ：同一份best_skill.md可跨模型规模、跨Agent工具链、跨相近任务复用。

SkillOpt的项目地址

• 项目官网
  ：https://microsoft.github.io/SkillOpt/

• GitHub仓库
  ：https://github.com/microsoft/SkillOpt

SkillOpt的同类竞品对比

维度	SkillOpt	TextGrad	GEPA	Trace2Skill
优化对象	单一 skill.md 文档	文本提示	文本提示	从轨迹提取规则
训练纪律	类深度学习（epoch、batch、lr、验证门）	基于梯度的文本优化	进化算法	轨迹归纳
编辑控制	有界编辑预算 + 拒绝缓冲区	无显式预算控制	变异选择	无迭代优化
验证机制	严格 held-out 验证门	无显式验证门	无	无
跨模型迁移	原生支持	有限	有限	有限
部署开销	零（纯 Markdown）	低	低	低

SkillOpt的应用场景

• Agent 技能调优
  ：为已有Agent系统化打磨skill.md，替代凭经验反复试错的手动调优。

• 多模型技能复用
  ：在强模型上训练技能文档，直接部署到弱模型或不同工具链，降低多模型适配成本。

• 基准测试突破
  ：在SearchQA、SpreadsheetBench、OfficeQA、DocVQA、LiveMath、ALFWorld等任务上持续刷新性能上限。

• 本地编码 Agent 自进化
  ：结合SkillOpt-Sleep预览版，在夜间自动回顾会话、复现高频任务并固化验证通过的技能。