AI-Workshop 文献分享 #18 — SkillOpt 作者分享：核心问答与观点速览

分享人：zzw | 日期：2026-08-15

主题：SkillOpt（面向自进化 Agent Skills 的策略优化）—— 作者本人分享后的 Q&A 摘要

---

8 月 15 日，AI-Workshop 有幸邀请到 SkillOpt 论文作者 zzw 进行分享。由于论文主体内容与 #17 记录的框架一致，本场分享的技术细节在一问一答中展开，这里整理分享后的问答环节摘要与会议核心观点速览。

一、核心问答环节整理（Q&A）

本环节主要涉及技术细节的实现逻辑和实验设置的探讨，整理为表格以便查阅：

提问人	关注领域	核心问题	关键回答摘要
陈昊东	机制原理	Slow Update 中“反转样本”如何度量？是否会像金融对冲一样合并处理正反信号？	视为关键学习信号。将“先对后错”或“先错后对”的样本分别聚合到不同 Mini-batch 中，利用 LM 进行语义去重，目的是让模型学习如何稳定地做对题目。
梁*威	实现细节	Mini-batch 的聚合逻辑是什么？如何判断两条 Edit 是重复的？	1. 聚合逻辑：分批处理提建议 → 合并重复 → 限制采纳数量（防上下文溢出）。2. 去重方式：利用 LM 判断语义相似度（而非简单的字符串匹配），识别表述不同但含义相同的规则。
彭康	模型选型	Optimizer Model 选用了哪个模型？执行任务的 Agent 和 Optimizer 是同一个模型吗？	1. 选型：主实验统一用 GPT-4o（更强模型效果更好）。2. 角色分离：Target Model（执行者）和 Optimizer Model（优化者）是分开的。
qyr	选题价值	如何判断该选题具备顶会（Oral）潜力？	本质是 Prompt Optimization 的延伸，但创新点在于聚焦优化单个 Markdown 文件（Skill）的框架设计，最终被顶会接收为 Oral。

二、会议核心观点速览

除了问答环节，本次分享关于 Skill Optimization 框架的几个核心机制也值得注意：

1. 核心逻辑：文本空间优化

• 痛点解决：针对 GPT-4o 等闭源模型无法调参的问题，提出在文本空间进行优化。
• 类比深度学习：
• 数据划分：采用 Train / Validation / Test（2:1:7）划分，严防数据泄露。
• Mini-batch：将数据聚合（如 4 条一组）输入优化器，防止上下文窗口溢出。
• 学习率类比：限制每个 Step 应用的 Edit 数量（如上限 4 个），防止过度优化。

2. 关键机制：跨步长反思（Slow Update）

• 样本翻转识别：对比当前与历史 Step 的验证集表现，识别“对错翻转”的样本。
• 利用历史：利用这些翻转样本进行 Slow Update，让模型从优化历史中学习 Skill 改动带来的具体影响。

3. 实验结论：技能迁移性

• 模型无关性：在 GPT-4o 上训练出的 Skill，可以无缝迁移到 Claude Code 等其他模型上使用。
• 任务强特异性：Skill 对任务非常挑剔。即使是相近的 Benchmark（如不同数学领域），跨任务迁移通常会导致性能下降或副作用。