SkillOpt: Microsoft обучает навыки ИИ-агентов как нейросети

Что такое SkillOpt и почему это важно

Microsoft SkillOpt — текстовый оптимизатор, который обучает переиспользуемые навыки для «замороженных» LLM-агентов. Разработан Microsoft Research и выпущен в мае 2026 года под лицензией MIT. Суть проекта — радикально новый взгляд на то, как улучшать производительность агентов: SkillOpt автоматизирует оптимизацию текстовых «навыков», оставляя веса модели нетронутыми, используя методологию, вдохновлённую обучением нейронных сетей.

2 июля 2026 года вышла версия v0.2.0 с ключевой новинкой — SkillOpt-Sleep: движком ночной офлайн-самоэволюции (harvest → mine → replay → consolidate) с мультицелевым вознаграждением, experience replay, dream rollouts и долгосрочной памятью.

Проблема: как улучшают навыки агентов сегодня

Сегодня навыки агентов получают тремя способами: эксперты пишут их вручную, фронтирная модель генерирует их за один проход, или агент слабо пересматривает их после выполнения. Ни один из этих подходов не ведёт себя как оптимизатор глубокого обучения.

Методы оптимизации промптов вроде TextGrad и GEPA работают с одиночными промптами, не создавая переиспользуемых артефактов. Методы эволюции навыков вроде EvoSkill и Trace2Skill конвертируют опыт выполнения в уроки, но ни один из них не применяет контроли глубокого обучения — learning rate, validation gates и momentum — необходимые для стабильного обучения единого компактного документа навыков.

Как работает SkillOpt

SkillOpt рассматривает документ с навыком как обучаемое состояние замороженного агента и обучает его с той же дисциплиной, которая делает оптимизацию весов воспроизводимой. Отдельная модель-оптимизатор преобразует оцениваемые траектории в ограниченные правки (add/delete/replace) одного документа навыков.

Цикл намеренно воспроизводит алгоритм обучения: доказательства из траекторий действуют как прямой проход, рефлексия — как «обратный проход» на уровне языка, а текстовый learning rate ограничивает, насколько далеко может уйти навык.

graph LR
    A["🎯 Frozen LLM\nвыполняет задачи"] --> B["📝 Scored Trajectories\nоцениваемые траектории"]
    B --> C["🤖 Optimizer Model\nанализирует ошибки"]
    C --> D["✏️ Bounded Edits\nadd / delete / replace"]
    D --> E{"✅ Validation Gate\nулучшает ли скор?"}
    E -- Да --> F["📄 best_skill.md\nновый навык"]
    E -- Нет --> G["🗑️ Rejected\nEdit Buffer"]
    F --> A
    G --> C

Текстовый бюджет learning rate, буфер отклонённых правок и пошаговое slow/meta-обновление обеспечивают стабильность обучения навыков без единого дополнительного вызова модели при деплое.

Результирующий артефакт — компактный файл best_skill.md (обычно 300–2 000 токенов), который работает с неизменённой целевой моделью.

Результаты: 52 из 52 ячеек — лучший или наравне

Авторы оценивали SkillOpt на шести бенчмарках (SearchQA, SpreadsheetBench, OfficeQA, DocVQA, LiveMathematicianBench и ALFWorld), семи целевых моделях — от фронтирного GPT-5.5 до небольшой open-weight Qwen3.5-4B — и трёх режимах выполнения: прямой чат, Codex и Claude Code.

SkillOpt занял первое место или разделил его на всех 52 ячейках (модель, бенчмарк, харнесс), а на GPT-5.5 поднял среднюю точность без навыков на +23,5 пункта в прямом чате, +24,8 внутри Codex-цикла и +19,1 внутри Claude Code.

SkillOpt также сокращает разрыв между малыми и фронтирными моделями без изменения весов: после оптимизации шестибенчмарковый средний результат GPT-5.4-mini (64,3) превышает базовый показатель без навыков у более крупного GPT-5.4 (59,7).

«Выигрыши, которые раньше требовали более крупной модели, теперь можно получить с одним оптимизированным файлом навыков» — Microsoft Research

Оптимизированные артефакты навыков переносятся между масштабами моделей, между Codex и Claude Code, а также на смежные бенчмарки без дополнительной оптимизации.

SkillOpt v0.2.0: Sleep-режим и новые интеграции

2 июля 2026 года вышла версия SkillOpt v0.2.0 на PyPI. Главная новинка — SkillOpt-Sleep: движок ночной офлайн-самоэволюции с циклом harvest → mine → replay → consolidate за валидационным гейтом, мультицелевым вознаграждением и долгосрочной памятью, запускаемый как CLI-команда skillopt-sleep.

Релиз также добавляет cross-tool бэкенды и плагин-шеллы для Claude, Codex, Copilot, Devin и OpenClaw, материализацию SearchQA-сплитов, улучшенную работу на Windows и надёжный парсинг JSON.

pip install skillopt

pip install -e ".[webui]"
python -m skillopt_webui.app

Поддерживаемые бэкенды и бенчмарки

Базовая версия включает полный цикл обучения (rollout → reflect → aggregate → select → update → evaluate), поддержку нескольких бэкендов (OpenAI / Azure / Claude / Qwen / MiniMax), шесть встроенных бенчмарков и WebUI-дашборд.

skillopt train \
  --env searchqa \
  --backend openai_chat \
  --model gpt-4o \
  --epochs 5 \
  --batch-size 8

Значение для отрасли

Ключевой инсайт прост: не нужно изменять веса модели, чтобы улучшить поведение агента — нужно оптимизировать инструкции, которым он следует. SkillOpt привносит дисциплину глубокого обучения (эпохи, размеры батчей, валидация) в текст этих инструкций.

Навыки можно версионировать: добавлять в git, проверять через pull request и деплоить в команды как любой другой код. Это превращает prompt engineering из искусства угадывания в измеримый инженерный процесс.

Репозиторий проекта уже набрал более 3 400 звёзд на GitHub — сообщество явно оценило потенциал подхода.

Исследование опубликовано на arXiv (2605.23904) совместно специалистами Microsoft Research, Шанхайского университета Цзяо Тун, Университета Тунцзи и Университета Фудань.