skillopt

SkillOpt traite un document de compétence en langage naturel comme l'état entraînable d'un agent LLM par ailleurs figé. Un modèle d'optimisation distinct examine les trajectoires d'agent scorées et propose des modifications bornées d'ajout, de suppression et de remplacement sur un seul fichier de compétence Markdown. Dans le flux de travail par défaut de type article, les candidats ne sont acceptés que lorsqu'ils améliorent un score de validation sur données retenues. Le framework fournit également un budget de taux d'apprentissage textuel, un tampon de modifications rejetées et des mises à jour lentes ou méta au niveau des époques destinées à rendre la révision plus stable. Le résultat est un artefact best_skill.md réutilisable, décrit comme généralement compact, qui peut être déployé avec le modèle cible inchangé et sans appels supplémentaires à l'optimiseur lors de l'inférence. La boucle d'entraînement couvre le rollout, la réflexion, l'agrégation, la sélection, la mise à jour et l'évaluation. Le package prend en charge plusieurs backends de chat et d'exécution, notamment OpenAI, Azure, Claude, Qwen, MiniMax, les services compatibles OpenAI, Codex, Claude Code, Copilot et les cibles Cursor. Il inclut six benchmarks intégrés et définit des patterns d'adaptateur pour ajouter de nouveaux backends et environnements de benchmark. Une WebUI optionnelle fournit un tableau de bord de surveillance, tandis que les outils principaux sont disponibles via Python et des CLIs. La version 0.2.0 introduit SkillOpt-Sleep, un flux d'auto-évolution hors ligne nocturne qui collecte les sessions passées, extrait les tâches récurrentes, les rejoue et consolide les compétences validées derrière une porte sur données retenues. Le dépôt contient également des shells d'intégration pour Claude Code, Codex, Copilot et Devin, plus une adaptation de référence OpenClaw ; certains de ces fichiers d'intégration résident en dehors du wheel PyPI. SkillOpt nécessite Python 3.10 ou version ultérieure et s'installe depuis PyPI. La documentation couvre la configuration, la préparation des données, les commandes d'entraînement et d'évaluation, la configuration, les contrats de backend, les adaptateurs de benchmark et les éléments internes du framework.