微软 Skil 光学：让 Agent Skill 自我迭代的训练方法与对比（含版本升级与迁移能力）

微软提出的 Agent 技能自我迭代训练框架，基于成功/失败报表自动改指令，支持版本升级门槛、模型无绑定、并与手工 Skill、TextGrad 对比。

概要

微软的 Skil 光学项目将训练神经网络的思路应用到 Agent Skill 的迭代优化中：让模型自己执行任务、再基于结果自动定位问题并改进指令，而不是依赖人工手动提示。核心是通过反馈驱动的循环，提升技能的自我改进能力。

亮点

• 从成功/失败报表中提炼具体优化点，形成自动改进的指令修正点
• 新版本必须超越基准分，否则自动拒绝应用，确保版本质量
• 不绑定特定模型，优化后的 Skill 可迁移到不同模型或场景
• 官方对比：将其与手工 Skill、TextGrad 等方法进行对照，突出自动化迭代的优势

机制要点

• 任务执行与结果评估：模型完成任务后产生报表，标注成功要素与失败原因
• 指令自动改写：基于报表，自动生成改进后的提示/指令
• 版本门槛：新版本需达到基准之上，方可上线应用
• 迁移能力：优化后的 Skill 不绑定具体模型，具备跨模型迁移性

链接原文： https://github.com/microsoft/Skil光学