微软SkillOpt显示优化后的智能体技能工件可跨模型规模迁移，并在Codex与Claude Code工具链之间转移

SkillOpt 是一种文本空间优化器，它在目标模型保持冻结的同时训练一份单一的自然语言技能文档。优化器模型根据评分模拟提出对技能的有限编辑，而保留的测试集仅在评分严格提升时才接受编辑。导出的产物是单个文件 best_skill.md。在 GPT-5.4 系列内部的跨模型迁移显示出混合的保留效果：在 SpreadsheetBench 上，GPT-5.4-mini 保留了域内增益的 82%，而 GPT-5.4-nano 仅保留了 16%；在 LiveMath 上，nano 的保留率达到 140%，这表明某些过程与模型无关。使用 GPT-5.5 的跨工具链迁移产生了最强结果：在 Codex 中优化的技能使 Claude Code 在 SpreadsheetBench 上的得分从 22.1 提升至 81.8，超过了 Claude Code 自身的域内得分 80.4。然而，从 Codex 迁移到 Claude Code 的 LiveMath 技能仅保留了增益的 10%，这表明推理密集型技能的可移植性较差。从 OlympiadBench 到 Omni-MATH 的跨基准迁移在三种模型规模上均显示出小幅但正向的增益。实现迁移的机制在于所有执行模式都使用相同的 best_skill.md 格式，并且该技能的过程性特性（例如，工作簿结构检查）使其具有可移植性。训练成本为一次性离线支付，无推理时开销。该产物作为文本文件可审计，并带有逐次编辑的日志。