MarkTechPost · 05.08.2026 ·Оркестрация агентов

Microsoft представила SkillOpt: переносимые навыки для ИИ-агентов

Microsoft разработала фреймворк SkillOpt, позволяющий создавать оптимизированные «артефакты навыков» для ИИ-агентов. Главным достижением стала высокая переносимость: навыки, обученные на одной модели, эффективно работают в других средах. Например, использование навыка, созданного для Codex, позволило Claude Code повысить результативность выполнения задач с 22,1% до 81,8%, превзойдя показатели при обучении внутри собственной среды.

Технология решает проблему узкой специализации агентных систем, позволяя переносить накопленный опыт между различными архитектурами. Исследование подтверждает, что структурированные инструкции, оформленные в виде файлов `best_skill.md`, сохраняют свою функциональность даже при смене базовой модели или операционной среды. Это открывает путь к созданию библиотек универсальных навыков, которые можно масштабировать и адаптировать без необходимости повторного обучения агентов с нуля.

Эффективность переноса навыков существенно зависит от типа решаемых задач. В некоторых сценариях производительность агентов при использовании внешних артефактов достигает 102% от уровня, достигнутого при обучении навыка непосредственно в целевой среде. Такой подход значительно снижает затраты на разработку и настройку агентных систем, обеспечивая их гибкость в гетерогенных вычислительных средах.

Ключевые факты

SkillOpt обеспечивает переносимость навыков между моделями Codex и Claude Code.
Использование внешнего навыка повысило точность Claude Code в SpreadsheetBench с 22,1% до 81,8%.
Оптимизированные навыки сохраняют эффективность в средах, где они не проходили предварительное обучение.
Результативность переноса навыков достигает 102% от показателей при обучении внутри целевой среды.

Источник: MarkTechPost

Обсудить с ИИ

Похожие материалы

Hacker News · Инфраструктура для агентов Microsoft представила SkillOpt для автоматической оптимизации навыков ИИ-агентов Microsoft выпустила SkillOpt — фреймворк для автоматического улучшения навыков ИИ-агентов через итеративное обучение и саморефлексию. Система позволяет агентам самостоятельно анализировать результаты выполнения задач, выявлять пробелы в своих способностях и корректировать стратегии действий без участия человека. Это решение направлено на повышение автономности и эффективности сложных агентных систем в динамических средах. Microsoft Research · Инфраструктура для агентов SkillOpt: превращение навыков ИИ-агентов в обучаемые параметры Исследователи Microsoft представили SkillOpt — метод оптимизации поведения ИИ-агентов, при котором инструкции (навыки) становятся обучаемыми параметрами. Вместо ручного редактирования промптов система использует процесс обучения для настройки навыков, что повышает надежность выполнения задач без необходимости изменения весов самой базовой модели. Это позволяет агентам адаптироваться к сложным сценариям более эффективно и предсказуемо. arXiv · Разработка и инструменты SkillOpt-Lite: упрощенный метод самообучения ИИ-агентов через нулевой порядок оптимизации Исследователи представили SkillOpt-Lite — минималистичный фреймворк для оптимизации навыков автономных агентов. В отличие от сложных многоэтапных систем, метод использует подход нулевого порядка (ZO) для итеративного улучшения способностей агента. Это позволяет значительно сократить вычислительные затраты и упростить пайплайн обучения, сохраняя при этом высокую эффективность настройки параметров модели для выполнения целевых задач. arXiv · Обучение и дообучение SoftSkill: новый метод сжатия поведенческих навыков для ИИ-агентов Исследователи представили метод SoftSkill, который меняет подход к передаче инструкций и навыков для ИИ-агентов. Традиционно агенты используют текстовые файлы в формате Markdown, где прописаны правила поведения и алгоритмы выполнения задач. Однако такой подход требует от языковой модели каждый раз интерпретировать длинный текст, что снижает эффективность и точность исполнения инструкций в процессе генерации. arXiv · Оркестрация агентов MetaSkill-Evolve: рекурсивное самообучение ИИ-агентов через эволюцию навыков Исследователи представили MetaSkill-Evolve — фреймворк для рекурсивного самосовершенствования LLM-агентов. Система использует двухмасштабный подход к эволюции навыков, позволяя агентам динамически переписывать и оптимизировать свои процедурные знания на основе истории выполнения задач. Это решает проблему неэффективности статичных, написанных вручную инструкций при работе с долгосрочными и открытыми сценариями, значительно повышая адаптивность агентов к новым условиям. Hacker News · Оркестрация агентов Фреймворк для автоматического улучшения навыков ИИ-агентов Проект Skill Evolution представляет собой инфраструктурное решение для создания циклов обратной связи, позволяющих ИИ-агентам самостоятельно совершенствовать свои навыки. Система анализирует результаты выполнения задач, выявляет ошибки и автоматически корректирует промпты или стратегии действий агента. Это позволяет повышать эффективность автономных систем без необходимости ручного вмешательства разработчика на каждом этапе итерации. arXiv · Инфраструктура для агентов Автоматизация создания библиотек навыков для ИИ-агентов через анализ GUI-траекторий Исследователи представили метод автоматизированного формирования библиотек навыков (SKILL.md) для ИИ-агентов, работающих с графическими интерфейсами. Вместо ручного описания действий система использует трехэтапный конвейер, который анализирует логи взаимодействия пользователя с компьютером. На первом этапе происходит сегментация траекторий GUI, затем алгоритм кластеризует полученные фрагменты в повторяющиеся паттерны навыков, и на финальной стадии эти данные используются для дообучения агентных моделей. Hacker News · Оркестрация агентов Оптимизация агентских навыков: почему краткость повышает производительность Разработчики ИИ-агентов часто перегружают системные промпты избыточными инструкциями, что снижает точность выполнения задач и увеличивает задержки. Анализ показывает, что сокращение описаний навыков до минимально необходимых формулировок позволяет моделям лучше фокусироваться на контексте, уменьшает количество галлюцинаций и значительно ускоряет время отклика системы за счет экономии токенов при обработке запросов. The Decoder · Оркестрация агентов Claude Cowork научился перенимать навыки через запись экрана и голосовые инструкции Anthropic представила новую функцию для десктопного приложения Claude Cowork, позволяющую агенту обучаться выполнению задач на основе действий пользователя. Теперь ИИ может анализировать запись экрана и закадровые пояснения, превращая их в воспроизводимые алгоритмы действий. Это значительно упрощает автоматизацию рутинных процессов, позволяя агенту перенимать специфические рабочие навыки без необходимости написания сложного кода. arXiv · Оркестрация агентов Метод генеративной композиции навыков для ИИ-агентов Исследователи представили фреймворк Generative Skill Composition (GSC), который оптимизирует работу ИИ-агентов при решении сложных многоэтапных задач. Вместо использования монолитных промптов система динамически выбирает и комбинирует модульные «навыки» из библиотеки. Это позволяет агентам эффективнее справляться со специализированными операциями, такими как настройка изолированных сред, запуск тестов или рефакторинг кода в распределенных файловых структурах.

← Все материалы