做Agent的同行应该都有体会——模型选对了、工具接好了、架构搭好了，最后效果好不好，往往就取决于那份技能文件写得怎么样。也就是system prompt加上各种指令、约束、示例，那个用自然语言写出来的markdown文档。

但问题是，这个文件的迭代方式，到今天还是纯手工活。跑一下看看效果，不行就改两句，改完再跑，又不行，再改。没有loss function，没有validation set，没有收敛保证，全凭经验和直觉。你压根不知道这次改动到底是全面变好了，还是拆了东墙补西墙。

微软研究院五月份放出来的SkillOpt，试图把这件事从手工调参变成系统化训练。它的核心主张很干脆：Agent的技能文件就是一种参数，跟神经网络的权重一样，应该能被自动优化。区别只在于权重是浮点数，技能是自然语言文本，所以需要的不是SGD，而是一个文本空间的优化器。

核心类比：把深度学习的范式搬到文本上

要真正理解SkillOpt，关键在于把握它背后的类比。一旦这个对应关系建立起来，后面所有的设计就都顺理成章了。

模型权重是数字空间的参数，用梯度下降来优化；技能文件是文本空间的参数，用有界编辑来优化。两者在概念上是对称的。SkillOpt的关键洞察在于：Agent跑得好不好，相当大一部分方差来自技能文件的质量，但这份文件至今没有一套类似深度学习那样可复现、有反馈、能收敛的优化范式。它要做的，就是补上这块拼图。

四步循环：文本空间的训练loop

具体实现是一个四步的迭代循环，结构上和深度学习的训练loop几乎是同构的。

Rollout：冻结的目标模型（可以是GPT-5.5、Claude、Qwen，任何一个）带着当前版本的技能文件去执行一批任务，每次执行产生一条带分数的轨迹。这相当于前向传播。

Reflect：一个独立的优化器模型（注意，是另一个模型，不是目标模型自己）去分析这批成功和失败的轨迹，找出规律——哪些情况下当前技能处理得好、哪些不行、不行的原因是什么。这步相当于算loss和分析梯度方向。

Edit：优化器模型根据分析结果，对技能文件提出一组有界的编辑操作——添加一条规则、删除一条过时的约束、替换一个表述。操作是有界的（bounded），每一轮只能改有限的内容，防止一步跳太远。

Validate：把修改后的技能文件拿到一组held-out的验证任务上跑一遍，看分数是否严格高于修改前。如果高了，接受这次编辑；如果没高，拒绝，而且把被拒的编辑存进一个负反馈缓冲区，告诉优化器下次别往这个方向走。

这个循环反复运行，技能文件一轮一轮地变好，直到验证集上的分数收敛。

效果：52个格子全部best或tied-best

SkillOpt在6个benchmark上做了测试，覆盖搜索问答、具身任务、文档理解、数学、电子表格操作、办公场景。

每个benchmark在7个模型（包括GPT-5.5、GPT-5.4-nano、Qwen3.5-4B等）和3种执行环境（直接对话、Codex agent loop、Claude Code）下都跑了一遍，总共52个评测格。结果是全部best或tied-best，没有任何一格输给基线。

几个有代表性的提升数字：在GPT-5.5上，对话模式提了23.5分，Codex环境提了24.8分，Claude Code环境提了19.1分；在小模型GPT-5.4-nano上提了24.9%，在开源模型Qwen3.5-4B上提了19.2%。

它和DSPy、TextGrad有什么不同？

做过prompt优化的人会想到几个先行者：DSPy把prompt拆成模块化的签名来优化，TextGrad用LLM生成文本梯度来改prompt，OPRO让LLM自己迭代优化prompt。SkillOpt和它们的核心区别在于两点。

第一个是严格验证门控。DSPy和TextGrad生成候选后不一定有严格的held-out验证步，它们可能会接受一些看起来好、但实际上在分布外数据上会退步的修改。SkillOpt每一步都卡验证，只接受严格提升，保证优化轨迹单调向上，不会振荡。

第二个是零推理时开销。优化的全部成本在训练阶段支付，训练完得到的就是一个纯文本的Markdown文件，部署时直接当system prompt丢进去就行。不需要额外的运行时调用、不需要特殊的框架、不加一行代码。这和DSPy那种需要在运行时维持模块pipeline的做法有本质区别。

还有一个容易被低估的优势：技能跨模型迁移。一份在GPT-5.5上优化好的技能文件，可以直接给Qwen3.5或Claude用，效果也有明显提升——虽然不如专门针对那个模型优化的版本，但省掉了重头训练。这是因为好的技能文件本质上是好的任务知识（该注意什么、常见坑在哪），这些知识不绑定特定模型。

为什么这件事重要？

把视角从论文拉到产业。SkillOpt重要，不是因为它是一个聪明的优化算法，而是因为它指向了一个新的工程层。

目前Agent生态里，模型层有一整套成熟的训练范式（预训练、SFT、RLHF），推理层也有一整套优化工具（vLLM、KV Cache压缩、量化）。但中间那个把模型能力转化为具体任务表现的技能层，至今还是手工作坊的状态。每家公司的Agent好用不好用，很大程度取决于它的prompt engineers写得好不好、迭代得勤不勤，而这个过程没有工具化、没有可复现性、没有收敛保证。

SkillOpt给这个层提供了一个可能的答案：把技能文件的优化从手工经验活，变成一个有反馈、有验证、能收敛的系统工程。如果这条路走通，Agent开发的瓶颈可能会从「找一个好的prompt engineer」变成「跑一个好的训练流程」，门槛降低，可复现性提升。

几个还没看清楚的点

6个benchmark都是可自动评分的任务，但很多真实场景的Agent技能（比如写作风格、沟通策略、创意任务）没有清晰的自动评测标准。SkillOpt的优化循环能否迁移到这类主观评判的场景，论文没有涉及。

优化器模型本身需要多强，论文也没有给出详细的ablation分析。用GPT-5.5当优化器去优化GPT-5.5的技能，和用一个小模型当优化器，效果差多少，资源要求差多少——这些对实际落地很重要的问题，还需要更多实验数据来回答。

和持续学习、在线学习的关系也没有讲清楚。SkillOpt目前是离线优化然后部署，如果任务分布变了——用户需求变了、环境变了——技能文件需要重新跑优化吗？能不能做增量更新？这些工程问题目前还处在开放状态。

写在最后

SkillOpt做的事，说起来很简单：给Agent的技能文件加了一套训练范式。但它触及的是整个Agent工程里一个长期被忽视的断层——模型有训练、推理有优化，唯独中间那个把能力翻译成任务表现的技能层，还在靠手写手调。

它用深度学习的类比把这件事讲得很清楚：技能文件是参数，执行任务是前向传播，编辑是梯度，验证门控是学习率。整套范式是成立的，52个评测格全部best或tied-best也证明它真的work。如果只记一件事，那就记住那个洞察——Agent效果的方差，远比你以为的更多来自技能文件的质量，而不是模型本身。写好一份技能，可能比换一个更贵的模型更管用。而SkillOpt，给了我们一条把这件事从经验变成工程的路。

References

1. Yang et al., 「SkillOpt: Executive Strategy for Self-Evolving Agent Skills」, Microsoft Research, 2026-05, https://arxiv.org/abs/2605.23904
2. Microsoft, 「SkillOpt Project Page」, https://microsoft.github.io/SkillOpt/
3. Microsoft GitHub, 「SkillOpt - text-space optimizer for reusable agent skills」, https://github.com/microsoft/SkillOpt
4. Microsoft Research, 「SkillOpt Publication」, https://www.microsoft.com/en-us/research/publication/skillopt-executive-strategy-for-self-evolving-agent-skills/
5. Flowtivity, 「Microsoft SkillOpt: How to Train AI Agent Skills Like Neural Networks」, https://flowtivity.ai/blog/microsoft-skillopt-train-ai-agent-skills/
6. Hugging Face Papers, 「SkillOpt」, https://huggingface.co/papers/2605.23904
7. 智源社区, 「SkillOpt: Executive Strategy for Self-Evolving Agent Skills」, https://hub.baai.ac.cn/paper/f902956e-64d7-4054-b5da-217182b07676
8. 齐思洞见, 「SkillOpt将Markdown技能文件视为可训练参数」, 2026-05-27, https://news.miracleplus.com/share_link/132700