手写这些手艺文档，，，，，实质上是一种试错的手工活。。。。 。。写一版，，，，，跑几个使命看看效果，，，，，以为那里差池再改，，，，，改完再跑。。。。 。。这个历程和之前手调 prompt 没有实质区别，，，，，只是工具从一句话酿成了一整份文档。。。。 。。
这个问题似乎迎来了终点，，，，，微软在本周开源了SkillOpt，，，，，一个把 Agent 手艺文档看成「可训练参数」的文本空间优化框架，，，，，让手艺文档自我进化。。。。 。。
焦点思绪很简朴，，，，，不训练模子权重，，，，，只训练那份指导 Agent 行为的自然语言文档。。。。 。。在 7 个目的模子、6 个基准测试、3 种执行情形（直接对话、Codex、Claude Code）的所有 52 个评测组合中，，，，，SkillOpt 训练出的手艺文档所有抵达最优或并列最优
SkillOpt 的焦点洞察可以用一句话归纳综合：Agent 的手艺文档就是它的「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要领。。。。 。。
Rollout（前向撒播）：冻结的目的模子拿着目今版本的手艺文档去执行一批使命，，，，，纪录完整的执行轨迹，，，，，包括新闻、工具挪用、验证反响、最终得分。。。。 。。这一步产出的是「证据」，，，，，相当于神经网络的前向撒播效果。。。。 。。Reflect（反向撒播）：一个自力的优化器模子剖析这批执行轨迹。。。。 。。要害设计是，，，，，失败案例和乐成案例被脱离反思。。。。 。。失败的 minibatch 用来发明「哪些操作规则需要修正」，，，，，乐成的 minibatch 用来确认「哪些现有规则在起作用，，，，，不可动」。。。。 。。这一步相当于盘算「文本空间的梯度」，，，，，告诉系统手艺文档该往哪个偏向改。。。。 。。Edit（参数更新）：优化器模子基于反思效果，，，，，提出敌手艺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）：候选的新手艺文档必需在一个 held-out 的验证集上跑一遍，，，，，只有性能严酷提升时才被接受。。。。 。。这一步避免过拟合，，，，，确保每次更新都是真正的刷新。。。。 。。
训练神经网络时，，，，，学习率太大会导致灾难性遗忘，，，，，模子学了新工具就忘了旧工具。。。。 。。SkillOpt 在文本空间遇到了完全相同的问题：若是一次编辑改动太大，，，，，可能把之前学到的有用规则笼罩掉。。。。 。。
解决计划是引入「文本学习率」（textual learning rate）：每一步允许的编辑操作数目有上限。。。。 。。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解，，，，，坚持训练稳固性。。。。 。。
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，，，，，它不会被简朴扬弃，，，，，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「失败的实验」，，，，，从而阻止重复提出类似的无效编辑。。。。 。。
Slow Update：每个 epoch 竣事时，，，，，对整个 epoch 内所有被接受的编辑做一次纵向比照剖析，，，，，找出跨 step 的一致性模式，，，，，产出一次更大规模的更新。。。。 。。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「元手艺」文档，，，，，纪录它在优化历程中积累的履历（好比「对这个 benchmark，，，，，关注工具挪用的名堂比关注推理办法更有用」）。。。。 。。这份元手艺在 epoch 间一连更新，，，，，让优化器自己也在进化。。。。 。。
要害的是，，，，，这两个机制只在训练时保存。。。。 。。安排时，，，，，目的模子只需要那份最终的 best_skill.md，，，，，不需要任何特另外模子挪用或影象模？？？？。。。。 。。推理时的开销为零。。。。 。。
小模子的提升幅度反而更大，，，，，这说明手艺文档对能力较弱的模子资助更显著。。。。 。。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 上同样建设。。。。 。。
值得注重的是，，，，，TextGrad 和 GEPA 都是已有的文本优化要领，，，，，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、负反响缓冲）确实比松散的自我修正更有用。。。。 。。
跨模子迁徙：在 GPT-5.4 上训练的 LiveMath 手艺，，，，，直接迁徙到 GPT-5.4-nano 上使用，，，，，提升 15.2 分。。。。 。。不需要针对小模子重新训练。。。。 。。？？？？缜樾吻ㄡ悖涸 Codex 情形中训练的 SpreadsheetBench 手艺，，，，，直接迁徙到 Claude Code 情形中使用，，，，，提升 31.8 分。。。。 。。这意味着你在一个 Agent 框架里优化好的手艺文档，，，，，换到另一个框架里依然有用。。。。 。。自优化：纵然用 GPT-5.4-nano 同时作为目的模子和优化器模子（自己优化自己），，，，，SpreadsheetBench 上仍然提升了 10.4 分。。。。 。。这说明 SkillOpt 的训练循环自己提供了足够的结构化约束，，，，，纵然优化器不比目的模子更强，，，，，也能发明有用的刷新偏向。。。。 。。安排极简：最终安排时只需要一个 best_skill.md 文件。。。。 。。不需要优化器模子，，，，，不需要影象模？？？？椋，，，不需要任何特另外推理开销。。。。 。。
「将任何通用的目的容器实例视为有用」「维护一个严酷编号的已搜索荟萃，，，，，不重复检查已视察过的位置」「在某一类位置一连多次未掷中后，，，，，扩大搜索规模」
这些规则都是从失败轨迹中自动提炼出来的。。。。 。。好比第三条，，，，，来自 Agent 在某些使命中重复搜索统一类位置却找不到目的物品的失败履历。。。。 。。优化器视察到这个模式后，，，，，提出了「扩大搜索规模」的规则。。。。 。。
整个历程中，，，，，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，，，，，和人类科研的要领论如出一辙。。。。 。。
《《REUNION》动漫》目标明确后，我们将“真本领”转化为有目标、方法、过程、进阶的学习任务，并精选课文段落搭建脚手架。设计任务时把握以下三点：情境性（贴近生活）、精准性（一课一得）、结构性（任务之间关联递进）。再仔细看，铁轨上还有一些英文字母。那时候还没有AI，他用浏览器搜，发现字母组合指向“皇家京张铁路”。基本上能确定，这就是詹天佑时期的东西。《《REUNION》动漫》撸撸射据ABC报道，皇家马德里主席候选人恩里克-里克尔梅将克洛普视为新帅目标。如果里克尔梅赢得本周日的选举，其体育总监人选劳尔将在下周一联系克洛普，不过克洛普尚未在投票前给出最终同意。主裁判不能忍，直接将莱奥和罗曼都红牌罚出场。比赛随后恢复进行。下半场，葡萄牙队进行了大面积换人。随后，葡萄牙队连进2球，智利只扳回一球。最终，葡萄牙队2-1取胜。
20260608 ? 《《REUNION》动漫》谈到皇马的新计划，西多夫表示：“我没法评价，因为我不在俱乐部内部。我只知道，皇马拥有一套很强的阵容，也有很多优秀球员，现在最需要的是耐心。我知道如今大家都缺乏耐心，所有人都希望立刻看到结果，但事情不是这样运转的。足球有自己的周期，现在就是一个过渡阶段。”日剧《女人四十》全集我一直努力进行一场干净的竞选。我承认过去做得好的地方，也始终在谈足球。这两周里，我的计划始终是把会员放在第一位，并重新点燃大家的希望。但到了今天，面对这些数据，如果我还保持沉默，那就是不负责任。所以我作出一个非常具体的承诺：如果明天我成为皇家马德里主席，上任后的100天内，俱乐部将进行一次外部、独立、全面的审计，并把审计结果完整公布给所有会员和媒体。
20260608 ? 《《REUNION》动漫》病房里，熊天琪总在催促母亲下床活动，劝她多走几分钟；输液快结束时，让她自己按铃呼叫护士，自己按住手背上的针眼。出租屋里，催促母亲自己倒垃圾，自己收拾衣服。而王芳对儿子的叮嘱，要么不给出反应，要么总想“缓一缓”。免费视频我觉得无论是在国际赛场还是非洲赛场，我们一直都表现得不错。所以现在外界对我们的期待肯定比4年前更高，因为我们曾经做到过，而且过去四五年我们也一直踢得很好。所以期待更高了，接下来就看我们能不能顶住这种压力，再次证明我们能够做到4年前做到的事情。这并不只是靠运气，而是因为我们能够保持稳定的水平。我觉得这就是我们最大的目标。”
京公网安备11010202000001号
