skillopt

SkillOpt trata um documento de habilidade em linguagem natural como o estado treinável de um agente LLM, que de outra forma é congelado. Um modelo otimizador separado revisa trajetórias pontuadas do agente e propõe edições limitadas de adição, exclusão e substituição em um único arquivo de habilidade Markdown. No fluxo de trabalho padrão baseado em artigo, os candidatos são aceitos apenas quando melhoram uma pontuação de validação retida. O framework também fornece um orçamento textual de taxa de aprendizado, um buffer de edições rejeitadas e atualizações lentas ou meta em nível de época, projetadas para tornar a revisão mais estável. O resultado é um artefato best_skill.md reutilizável, descrito como tipicamente compacto, que pode ser implantado com o modelo alvo inalterado e sem chamadas adicionais do otimizador em tempo de inferência. O loop de treinamento abrange rollout, reflexão, agregação, seleção, atualização e avaliação. O pacote suporta múltiplos backends de chat e execução, incluindo OpenAI, Azure, Claude, Qwen, MiniMax, serviços compatíveis com OpenAI, Codex, Claude Code, Copilot e destinos Cursor. Inclui seis benchmarks integrados e define padrões de adaptador para adicionar novos backends e ambientes de benchmark. Uma WebUI opcional fornece um painel de monitoramento, enquanto as principais ferramentas estão disponíveis através de Python e CLIs. A versão 0.2.0 introduz SkillOpt-Sleep, um fluxo de auto-evolução offline noturno que coleta sessões passadas, minera tarefas recorrentes, as reproduz e consolida habilidades validadas atrás de uma porta retida. O repositório também contém shells de integração para Claude Code, Codex, Copilot e Devin, além de uma adaptação de referência OpenClaw; alguns desses arquivos de integração estão fora da roda PyPI. SkillOpt requer Python 3.10 ou posterior e é instalado a partir do PyPI. A documentação cobre configuração, preparação de dados, comandos de treinamento e avaliação, configuração, contratos de backend, adaptadores de benchmark e detalhes internos do framework.