# 微软研究院提出SkillOpt方法，通过优化器自动学习AI智能体技能文档

- 来源：elvis (@omarsar0)
- 发布时间：2026-05-25 23:40
- AIHOT 分数：66
- AIHOT 链接：https://aihot.virxact.com/items/cmple013z0f2wsl01x06mc6do
- 原文链接：https://x.com/omarsar0/status/2058936160291004483

## AI 摘要

微软研究院提出了SkillOpt方法，将AI智能体的技能文档视为可训练的外部状态，而非由工程师手动编写。该方法利用一个优化器模型对技能文件进行验证门控编辑，通过添加、删除或替换指令来优化文档，并引入文本学习率控制每轮重写力度，而智能体本身保持不变。实验显示，在全部52个测试单元（涵盖不同模型、基准测试和工具链）中，SkillOpt均达到最佳或并列最佳。具体在GPT-5.5上，相比无技能文档，SkillOpt在直接聊天、Codex和Claude Code下分别取得23.5、24.8和19.1分的提升，超越人类手写技能及其他自动化方法，且不增加推理时开销，学到的技能还能跨模型和工具链迁移。

## 正文

New research from Microsoft Research

I see a lot of AI engineers handwriting agent skill docs and hope they generalize.

Probably not optimal. This works show why.

It treats the skill doc as a trainable external state of a frozen agent instead.

It introduces SkillOpt， where an optimizer model makes validation-gated edits to the skill file. It adds， deletes， or replaces instructions， with a textual learning rate that controls how aggressively each round rewrites the doc. The agent itself never changes.

SkillOpt is best or tied on all 52 （model， benchmark， harness） cells.

On GPT-5.5 it adds 23.5 points in direct chat， 24.8 with Codex， and 19.1 with Claude Code over no skill. It beats human-written skills， TextGrad， GEPA， and EvoSkill， carries zero extra inference-time cost， and the learned skills transfer across models and harnesses.

Paper： https://arxiv.org/abs/2605.23904

Learn to build effective AI agents in our academy： https://academy.dair.ai/