SkillOpt: tekoälyagentin taidot muutettaviksi parametreiksi

Microsoft Research -tutkimusryhmän artikkeli 'SkillOpt: Executive Strategy for Self-Evolving Agent Skills' uudelleenmuotoilee agenttitaitojen muokkaamisen koulutusprosessiksi. SkillOpt käsittelee taitotiedostoa koulutettavana parametrina jäädytetyn kohdemallin ulkopuolella ja käyttää eteenpäin-taaksepäin-päivitys-sykliä tekstiavaruudessa. Eteenpäin suuntautuvassa vaiheessa jäädytetty malli suorittaa koulutustehtäviä; taaksepäin suuntautuvassa vaiheessa optimointimalli analysoi kulkuja; päivitysvaihe ehdottaa rajattuja muokkauksia, jotka validointitarkastus hyväksyy tai hylkää. Hylätyt muokkaukset tallennetaan negatiivista palautetta varten, ja hidas/metapäivitys kokoaa pidemmän aikavälin opit. Kuudella vertailuarvolla (SearchQA, SpreadsheetBench, OfficeQA, DocVQA, LiveMathematicianBench, ALFWorld) testattuna, seitsemällä kohdemallilla (GPT-5.5:stä Qwen3.5-4B:hen) ja kolmella suoritustavalla (suora chat, Codex, Claude Code) SkillOpt saavutti parhaat tai jaetusti parhaat tulokset kaikissa 52 solussa. GPT-5.5:llä suorassa chatissa kuuden vertailuarvon keskiarvo nousi arvosta 58,8 arvoon 82,3 (+23,5 pistettä). Suurimmat parannukset saavutettiin proseduraalisilla vertailuarvoilla: SpreadsheetBench nousi 41,8:sta 80,7:ään, OfficeQA 33,1:stä 72,1:een ja LiveMathematicianBench 37,6:sta 66,9:ään. Optimoidut taidot siirtyivät mallikokojen, käyttötapojen ja liittyvien tehtävien välillä; esimerkiksi Codexissa koulutettu laskentataulukkotaito siirrettynä Claude Codeen paransi taitotonta perustasoa 22,1:stä 81,8:aan (+59,7). Lopulliset taitotiedostot pysyivät kompakteina (mediaani noin 900 tokenia) ja niissä oli vain 1-4 hyväksyttyä muokkausta. SkillOpt viittaa siihen, että koulutusta voidaan soveltaa proseduraaliseen tietoon mallipainojen ulkopuolella, tarjoten hallittavan ja auditoitavan sovituskerroksen agenttimaisille työnkuluille.