Microsoft Research представила подход SkillOpt, в котором файл навыков AI-агента рассматривается как обучаемый параметр вне замороженной модели. Система не требует вручную переписывать инструкции: редактирование навыков переводится в управляемый цикл оптимизации с проверкой изменений и контролем объема правок.
Как сообщает Microsoft Research Blog, SkillOpt работает в цикле из выполнения задач, анализа траекторий и обновления навыков. Замороженная целевая модель решает задания с текущими инструкциями, после чего отдельная модель-оптимизатор разбирает успешные и неудачные траектории и предлагает точечные изменения: добавление, удаление или замену фрагментов текста. Затем каждое изменение проверяется на отдельной выборке и принимается только если результат улучшается.
По данным авторов, система показала лучший или разделенный лучший результат во всех 52 ячейках оценки на шести бенчмарках, семи целевых моделях и трех режимах исполнения без обновления весов моделей. В Microsoft Research также заявили, что оптимизированные навыки остаются компактными и пригодными для аудита благодаря ограниченным текстовым правкам, буферу отклоненных изменений и дополнительным slow/meta* updates. Авторы добавляют, что такие навыки переносятся между моделями разного масштаба, агентными окружениями и связанными задачами.
Ключевые факты
SkillOpt рассматривает файл навыков агента как обучаемый параметр вне замороженной модели
Система показала лучший или разделенный лучший результат во всех 52 ячейках оценки
Оценка проводилась на шести бенчмарках, семи целевых моделях и трех режимах исполнения
SkillOpt использует ограниченные текстовые правки, validation gating и буфер отклоненных изменений для контроля оптимизации навыков