سكيل أوبت: تحويل مهارات وكلاء الذكاء الاصطناعي إلى معاملات قابلة للتدريب

ورقة بحثية من مختبرات مايكروسوفت بعنوان "SkillOpt: إستراتيجية تنفيذية للتطوير الذاتي لمهارات الوكيل" تعيد صياغة تحرير مهارات الوكيل كعملية تدريب. تعالج SkillOpt ملف المهارات كمعامل قابل للتدريب خارج النموذج الهدف المجمد، باستخدام دورة أمامية-خلفية-تحديث في الفضاء النصي. في المسار الأمامي، ينفذ النموذج المجمد مهام التدريب؛ ويستخدم المسار الخلفي نموذج مُحسِّن لتحليل المسارات؛ وتقترح خطوة التحديث تعديلات محدودة محكومة بفحص تحقق. تُخزَّن التعديلات المرفوضة كملاحظات سلبية، ويُدمج تحديث بطيء/فوقي الدروس طويلة الأمد. بعد التقييم على ستة معايير (البحث في الأسئلة، جدول البيانات، أسئلة المكاتب، الإجابة على المستندات البصرية، بنمارك الرياضيات الحي، عالم ألف) مع سبعة نماذج هدف (من GPT-5.5 إلى Qwen3.5-4B) وثلاثة أوضاع تنفيذ (الدردشة المباشرة، Codex، Claude Code)، حققت SkillOpt أفضل النتائج أو تعادلت مع الأفضل في جميع الخلايا البالغ عددها 52. بالنسبة لـ GPT-5.5 في الدردشة المباشرة، ارتفع متوسط المعايير الستة من 58.8 إلى 82.3 (زيادة 23.5 نقطة). كانت المكاسب أكبر على المعايير الإجرائية: جدول البيانات من 41.8 إلى 80.7، أسئلة المكاتب من 33.1 إلى 72.1، وبينمارك الرياضيات الحي من 37.6 إلى 66.9. انتقلت المهارات المُحسَّنة عبر أحجام النماذج، وأُطر العمل، والمهام ذات الصلة؛ على سبيل المثال، مهارة جدول بيانات تم تدريبها في Codex وانتقلت إلى Claude Code حسَّنت الخط الأساسي بدون مهارة من 22.1 إلى 81.8 (زيادة 59.7). ظلت ملفات المهارات النهائية مضغوطة (وسيط حوالي 920 رمزًا) مع 1-4 تعديلات مقبولة فقط. تقترح SkillOpt أن التدريب يمكن تطبيقه على المعرفة الإجرائية خارج أوزان النموذج، مما يوفر طبقة تكيف قابلة للتحكم والتدقيق لسير عمل الوكيل.