AITOP
精选
过去 24 小时，从 654 条中筛出 45 条
全部模型产品行业论文技巧
标签：技能优化×
6月11日
15:28
15:23
15:07
6月1日
00:09
5月29日
17:41
17:41rohanpaul_ai@rohanpaul_ai
精选72°
微软提出 SkillOpt 方法，将智能体技能文档视为可训练的外部程序，而非手工编写或一次性生成。该方法通过一个更强的优化器模型，在智能体执行任务后分析成功与失败案例，对技能文档进行小幅度编辑，并仅在通过验证集测试时采纳修改。在 6 个基准、7 个目标模型和 3 种智能体设置（包括直接对话、Codex 和 Claude Code）的测试中，SkillOpt 在全部 52 个案例中表现最佳或持平，在 GPT-5.5 上直接对话准确率平均提升 23.5 个百分点。最终产出是一个可读、可移植、低成本复用的技能文件，无需重新训练模型即可提升智能体跨任务表现。
论文智能体技能优化微软GPT-5.5Claude Code
推荐理由：做智能体开发的团队终于有了靠谱的技能优化方案——SkillOpt 解决了手工调技能越调越差的痛点，而且最终产物是一个可读文件，部署零成本。做 prompt 工程或 Agent 框架的开发者值得细读。
原文
08:02
AITOP5月29日 08:02
Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？🔥Anthropic 把 AI 编程的“确认键”彻底删掉了！Claude Code 搭载全新 Opus 4.8 模型，长时间任务不跑偏、不废话、不中断，像一个资深工程师一样默默干活，从功能开发到漏洞清扫全包圆，你在旁边喝茶等结果就行。过去 AI 写代码三步一问“这样可以吗”，现在它直接交完整交付物……自主编程的最后一层窗户纸，被捅破了。做自动化开发和代码审查的团队，这个模型建议直接上手，效率差距肉眼可见……Opus 4.8发布：编程助手的“静默时刻”，是解放开发者，还是新门槛？
5月26日
13:42
13:42IT之家（博客/媒体）
精选
OpenClaw 的龙虾之父 Peter 开源了 skill-cleaner，一个专门为 AI 技能（Skill）做体检和优化的工具。他指出，很多开发者把技能描述写得太长，导致 Agent 调用时 token 消耗大、选择噪声多、延迟高。该工具能审计技能预算、检测重复技能、筛查未使用技能、优化描述长度，帮助开发者将技能描述精简到 40 词以内，从而提升 Agent 的调用准确性和降低运行成本。Peter 强调技能描述应像路标一样简洁，而详细的逻辑应放在代码中。
AI产品开源/仓库技能优化token 节省AgentCodex
推荐理由：AI 技能开发者常忽略描述过长带来的 token 浪费和 Agent 选择困难，这个开源工具直接帮你审计并优化，省成本又提效果，做 Agent 或 Codex 技能的建议立刻试试。
原文
01:28
01:28elvis@omarsar0
精选76°
微软研究院提出 SkillOpt，一种将智能体技能文档视为可训练外部状态的新方法。该方法通过一个优化器模型对技能文件进行验证门控的增删改编辑，并引入文本学习率控制改写强度，而智能体本身保持不变。在 52 个（模型、基准、工具）组合上，SkillOpt 均达到最佳或并列最佳，在 GPT-5.5 上直接聊天提升 23.5 点，与 Codex 配合提升 24.8 点，与 Claude Code 配合提升 19.1 点，且零额外推理成本。学到的技能可跨模型和工具迁移，效果优于人工编写技能、TextGrad、GEPA 和 EvoSkill。
论文智能体技能优化微软SkillOpt推理模型
推荐理由：做智能体开发的工程师别再手写技能文档了——SkillOpt 证明自动优化技能文件能带来显著性能提升，且零推理开销，值得在你的 Agent 工作流中尝试。
原文
5月25日
11:11
11:11arXiv cs.AI@Yifan Yang, Ziyang Gong, Weiquan Huang, Qihao Yang, Ziwei Zhou, Zisu Huang, Yan Li, Xuemei Gao, Qi Dai, Bei Liu, Kai Qiu, Yuqing Yang, Dongdong Chen, Xue Yang, Chong Luo
精选72°
SkillOpt 提出了一种新方法，将智能体技能视为冻结模型的外部状态，通过独立的优化器模型对技能文档进行有界增删改编辑，并仅在严格提升验证集分数时接受修改。该方法引入了文本学习率预算、拒绝编辑缓冲区和逐轮慢/元更新机制，使技能训练稳定且部署时零额外模型调用。在 6 个基准、7 个目标模型和 3 种执行框架（直接对话、Codex、Claude Code）的 52 个测试单元中，SkillOpt 全部取得最佳或并列最佳，相比无技能基线在 GPT-5.5 上平均提升 19.1-24.8 个百分点。迁移实验表明，优化后的技能在不同模型规模、执行环境和相近数学基准间仍保持价值。
论文智能体技能优化文本空间优化GPT-5.5Codex
推荐理由：SkillOpt 解决了智能体技能无法像深度学习权重那样可靠优化的问题，做智能体开发或技能自动生成的团队可以直接用这套方法替代手工调参，效果显著且部署零开销。
原文