企业官网建设流程全解析

一、一个尴尬惊人的事实：大模型不会给自己写有用的技能

2026 年的大模型几乎什么都会写，但有一个例外：让它零样本、一次性地写出一个可泛化的技能（skill），仍然接近无效。

SkillsBench 把这个尴尬量化了。这个由社区构建的基准包含 86 个专家验证、真实数据、可验证的专业任务。结果：人类专家写的技能（curated skills）让模型平均提升16.2 个百分点——Claude Opus 4.5 从 22.0 分直接跳到 45.3 分；而模型自己一次性生成的技能，增益约等于零，在部分配置下甚至是负的。

SkillsBench：灰色为无技能基线，黄色为模型自生成技能，蓝色为人类专家技能。黄色柱与灰色柱几乎一样高——这就是 2026 年最大的浪费。

注意限定词：问题不是大模型不能参与写技能，而是不能一步到位。人类专家的技能好在哪里？不是因为文笔，而是因为它们沉淀了失败经验——"这个 API 有坑""这种文档要先用工具 X 解析"。这恰恰是 LLM 一次性生成给不了的东西。

于是问题自然变成：能不能像训练神经网络一样，迭代地"训练"一段文本？让模型在 rollout 里摔跤、反思、修改，用验证集防止过拟合——把"写技能"从一次性的提示工程，变成一个有梯度、有门控、有预算的优化问题。

2026 年 5 月以来，这个问题迎来了一波密集的回答。而这波回答的最新结论，相当反直觉。

二、序章：SkillOpt，第一次把文本当参数训

本文的"技能"是广义行为资产：可编辑、可分发、可外部验证的文本工件，包括技能文件、提示词、工具描述、控制流片段、wiki 条目与记忆策略。狭义的单文件技能只是其中一种形态。后文各处出现的"技能"，都按此广义理解。

2026 年 5 月，Microsoft Research 放出 SkillOpt（arXiv 2605.23904）。它的划时代意义不在成绩单，而在于第一次让"优化一段技能文本"拥有了优化器的严谨形态。

形式化很漂亮：冻结 agent 的权重，把一个紧凑的自然语言技能文档 StS_t 当作唯一可训练的"参数"。训练数据来自 rollout 轨迹，"梯度"来自模型对自己轨迹的自我批评，更新是加/删/替换的原子编辑，编辑率相当于学习率——而每一步更新，必须通过一个held-out 验证集的门控才能被接受。测试集则被锁到最后，只为出报告。

SkillOpt 官方项目页的完整管线图：rollout → 分批优化器产生原子编辑 → 合并去冲突 → 编辑预算与学习率衰减 → 验证门控 → 接受或拒绝；下方是 epoch 级的慢更新与反思。

成绩也确实硬：在 7 个目标模型 × 6 个基准 × 多种执行环境的52 个评测单元里，SkillOpt 相对无技能基线全胜或打平；GPT-5.5 直聊平均提升 +23.5 分[1]。

SkillOpt 项目主页：52/52、7 个目标模型、6 个基准。注意这个数字的口径——它是相对"无技能基线"的全胜，后文还会用到这个口径。

工程化也做到了罕见的程度：MIT 协议开源，pip install skillopt即可使用；7 月 2 日的 v0.2.0 加入了 SkillOpt-Sleep 夜间离线自进化引擎，并集成了 Claude Code、Codex、Copilot、Devin、OpenClaw 等主流执行环境[2]。GitHub 收获约 1.67 万 star，生产案例开始出现：DAIR.AI 用 SkillOpt 优化多模态论文图表抽取技能，准确率从 0.73 提升到 0.93——+20 个百分点的生产环境实测[3]。

到这里，故事的常规走向应该是：给这套优化器加更多机制——更好的语言梯度、更聪明的门控、更精细的动量。几乎所有人都这么预期。

七周后，有人证明这条路错了。

错的不是验证，而是"自动验证"的方式。

三、主角登场：SkillOpt-Lite 与苦涩教训

7 月，EvolvingLMMs-Lab（Bo Li 组）放出 SkillOpt-Lite（arXiv 2607.03451）。标题里的副标题近乎挑衅："One Line of Vibe"。它给出的核心结论可以概括为一句话：

复杂优化器机制，本质是为"模型自我批评不够准"设计的人类先验补偿。当模型足够强，这些补偿的边际收益递减，甚至变成噪声；而让 agent 自己演化整个 harness 的组件——提示、工具描述、控制流——这种通用机制对强弱模型都有效。

数字非常不给老师留面子。LiveMath 上，GPT-5.5 配置 +8.8 分，GPT-5.4-nano 配置+25.4分；Spreadsheet、DocVQA 等基准同样全面超出。训练曲线图里，蓝线（Lite）从第一批开始就压在红线（SkillOpt）上方，并且差距随批次数稳定存在，不是噪声[4]。

SkillOpt-Lite 论文的训练曲线：蓝色为 Lite，红色为原版 SkillOpt。四个子图（LiveMath-nano、LiveMath-5.5、Spreadsheet、DocVQA）中蓝线全程压制红线。

名场面发生在"廉价配置掀翻旗舰配置"：GPT-5.4-nano 跑 HarnessOpt（0.7758），反超了 GPT-5.5 跑完整版 SkillOpt（0.7620）。

请注意这个结果的正确读法。它不是"弱模型不需要帮助"——恰恰相反，nano 的绝对提升（+25.4）远大于强模型（+8.8）。它说明的是：通用演化机制是模型无关的，而手工优化器先验只对"自我批评不准的模型"有价值。这正是机器学习史上反复上演的苦涩教训：手工特征让位于表示学习，手工结构先验让位于可微架构搜索，如今轮到手工优化器管线，让位于"把 agent 组件当普通代码文件演化"。

为什么复杂管线会失效？论文与后续讨论给出了三个互相加强的假说：

1. 语言梯度的边际价值归零。自我批评信号的本质是"让模型给文本打方向"。强模型对自己的失败已经有足够准的诊断，包装成"梯度"只是徒增 token 成本和格式约束。
2. 内部自动门控的信号在分布外是噪声。门控要判断"这次编辑会不会泛化"，但它依据的仍是模型的自我评估——用同一个可能有偏的裁判，去校正同一个裁判的判决。
3. 动量在长周期上放大早期错误。训练初期的一次幸运编辑会污染此后所有更新方向，而文本空间没有等价于"学习率 warmup 重置"的可靠机制。

Lite 把优化器做薄的同时，把演化对象做宽了——这就是 HarnessOpt：不只演化核心技能文件，连工具描述、提示模板、控制流片段一起进入演化池。结果"全组件演化优于仅演化核心循环"，说明在 "Agent = Model + Harness + Artifact" 的坐标系里，harness 层的能力密度被严重低估了[5]。这个发现已经走出论文：Lite 的路线被接入了 VSCode Copilot。

诚实的文章要交代局限：Lite 仍依赖一个足够强的 critic 模型；多轮长程任务没有经过充分验证；整个演化过程没有理论保证，"为什么全组件演化更好"目前只有经验证据。

但方向已经变了。接下来值得看的，不再是"谁的优化器机制更精巧"，而是同样的思想在四种不同世界观下的展开。

四、擂台：同一问题下的四种答法

先把丑话说在前面：以下四位考生的成绩单来自不同论文、不同模型、不同评测设置，用于路线定位，不构成统一考场的排名。

4.1 WikiSkill：把"失败"存下来，而不是抹掉

8 月 27 日，Google Research 与 Virginia Tech 放出 WikiSkill（arXiv 2608.27454）。它和 Lite 的分歧是世界观级的：Lite 依然"回滚"——坏编辑被拒绝、丢弃；WikiSkill 则把每一次失败教训追加进一个持久 wiki，技能本身变成"知识检索 + 按需组装"，而不是一份越改越大的单文件。在 5 个模型上，它的平均成绩超过 SkillOpt、EvoSkill、Trace2Skill 等所有既有方法 3.3~12 分[6]。

WikiSkill 论文首页（arXiv 2608.27454）与其 Figure 1：在 Qwen-3.5-4B/9B、Qwen-3.6-27B、Gemini 3.5 Flash 上，WikiSkill 曲线稳定高于 SkillOpt 与 EvoSkill。

它最漂亮的数字是跨模型迁移：小模型 Qwen-3.5-9B 配上从别处演化来的技能拿到 47.4%，反超大模型 Qwen-3.6-27B 裸跑的 39.4%。技能第一次展现出"可携带算力"的属性——这也是为什么它值得单独关注。

4.2 SkillAdam：把账算到 token 上

9 月 8 日的 SkillAdam 把问题换了个问法：演化过程自己，能不能更稳、更便宜？它的两个组件直指痛点——优化记忆（跨周期记住哪些编辑有效，而不是每轮从零反思）和波动驱动的编辑预算（成绩波动大时多改，平稳时少动）。结果是 5 个短任务基准上 4 胜 1 平、长任务 DP-Avg +6.7 分，而最扎眼的是成本：达到同等技能质量，只需要约五分之一的 token（4M 对 20M）[7]。

SkillAdam（arXiv 2609.08944）的演化路径示意图：初始技能经多轮"改多少、改哪里"的决策收敛到最优技能，编辑由预设规则与波动信号共同驱动。

当技能演化要从论文走向 7×24 小时的线上系统，token 账就是生死账。SkillAdam 未必是终局，但它指出的方向——把演化器自身的记忆与预算当作一等公民——大概率是对的。

4.3 小结：不是替代，是四个侧面

这四者拼起来才构成"行为资产优化"的完整版图：SkillOpt 回答怎么训，Lite 回答哪里值得训，WikiSkill 回答知识放哪，SkillAdam 回答怎么训得起。把它们放在同一张表里争论"谁第一"没有意义——它们的对手从来都不是彼此，而是第一部分那张图里灰色的"无技能基线"。

五、边界与邻居：同源、竞争与可融合的路线

把主角放进更大的坐标系——更新什么（权重 / 上下文 / 外部工件）×存多久（单任务 / 跨任务 / 持久）——技能进化只占其中一个格子。它的邻居们值得逐一划界，因为读者迟早会问：为什么不直接微调？为什么不走 RL？harness 演化又是什么？

5.1 对 微调/LoRA：冻结权重，换来四种自由

技能路线对微调的核心卖点：冻结权重、可 diff、可审计、跨模型复用。多数文本路线还支持回滚——WikiSkill 是例外，它追加式、不回滚，但失败教训同样可审计。这些属性在合规、多模型部署、快速迭代的场景里是微调给不了的。

SkillsBench 里还有一张图值得全文引用：带技能的 Haiku 4.5（27.7%，v1.0 论文口径；v1.1 榜单上该数字已更新为 30.1%）反超不带技能的 Opus 4.5（22.0%）——技能可以替代模型规模。对成本敏感的应用，"小模型 + 好技能"是比"换大模型"便宜得多的升级路径。

SkillsBench 的 "Skills Substitute for Model Scale"：蓝线为带技能成绩，灰线为无技能成绩。Haiku+skills 反超裸跑 Opus 4.5。

技能承载的是真实能力，而非提示词噪音——有一个很聪明的判别实验：Skill-GRPO 把记忆库清空，成绩从 80.5 断崖跌到 60.2，证明学进去的东西确实存在于工件里，不是模型的错觉[5]。

但边界正在移动。2026 年出现的 SIA 这类元 Agent，已经让模型每轮自主决策：这一轮该改 harness，还是该打 LoRA 补丁——两个动作空间被放进同一个循环里[5]。更妙的反衬来自 PostTrainBench：让 agent 自主做后训练（自动改权重）目前并不可靠——最强的 agent 也只能达到官方微调模型的 23.2% 水平。注意这个例子的正确用法：不可靠的是"自主改权重"，不是"改权重"本身；恰恰是官方权重的强大，反衬出"改外部工件"这条路在现实世界里的务实[8]。

5.2 对 RL 技能共进化：同一缺口的两条补给线

与文本空间平行的，是把技能库当作 RL 动态组件的一条线：SkillRL 让 agent 演化自己的技能目录，在 EvoAgentBench 上比静态技能库高 31%[9]；SkillGraph 把技能图拓扑和下游策略联合训练，让技能关系随任务持续适应[10]；Skill-R1 则干脆把技能优化解耦成 recurrent RL 问题——它的卖点恰恰是对闭源任务模型友好，与文本空间路线殊途同归。

两条线的分野清晰：RL 线信号更密、能直接进权重，但依赖可验证环境和大量交互样本；文本空间线样本效率高、对闭源模型友好、天然可审计。但它们的共同宿命在 SkillsBench 的灰色柱子上：都在补同一个缺口。也因此可以预测：两条线终将在"可验证性"这个瓶颈上汇合——谁能拿到更便宜、更防作弊的验证信号，谁就能定义下一代方法。

5.3 对 Harness 演化：不是邻居，是已经跨入的领地

最后这个"邻居"最特殊，因为 Lite 的 HarnessOpt 已经实质跨过了线——harness 演化不是赛道外的对照组，而是主角已经踏入的领地。真正需要划清的是问题层：优化对象是行为资产（skill 文件、工具描述），还是优化器本身（演化管线的代码）？

跨线之前，值得先看看 harness 自进化的前车之鉴：benchmark memorization（把测试集特征背下来）、随机噪声锁死胜者（单次幸运跑分决定演化方向）、复杂度膨胀（ evolved harness 的 token 消耗翻倍）——这些病理正是 Lite 精简管线的隐性论据[11]。

这里需要做一个关键区分：Lite 精简的是 meta 层的优化器管线，并没有禁止 object 层的 harness 组件变多。在经验上，它靠小步编辑、预算约束和外部验证这三道闸，把 object 层的膨胀压在了可接受的范围内。

microsoft/skills 仓库的架构示意：领域技能、MCP 服务器、上下文注入正被组织成可分发的基础设施——"技能分发层"已经从设想变成仓库。

于是可以给出一个本文自己的判断："技能"与"harness"的边界本质上是产品决策，而非技术本质——技能就是可分发、可版本化、可签名的 harness 切片。这个判断有现实的注脚：Microsoft 已经把 skills、MCP 服务器、Agents.md 组织进官方仓库，技能分发的基础设施正在成形。当分发层成熟，"技能作者"可能会像今天的 HuggingFace 模型作者一样成为一个职业。

六、升格：这不是 RSI，但这是离 RSI 最近的产品化形态

6.1 先校准概念

2026 年文献的共识是克制的：有界自精炼（bounded self-refinement）已经例行化，而开放式的 RSI（recursive self-improvement，递归自我改进）在公开文献中尚未被证明[12]。技能进化属于前者——它有明确的人类设定边界：任务分布、预算、验证集。

6.2 边界在哪：验证权归谁

那么边界画在哪？2026 年最有锋芒的一句话来自 Hugging Face 的 Philipp Schmid：agent 可以拥有自己的 prompt、skill、tool 和 harness code，但评测必须留在人类手里——"如果 agent 能修改评测器，分数就不再是证据"[13]。

回头看，这正是第二部分伏笔的回收。SkillOpt 系真正的遗产不是那套语言梯度加动量的管线（Lite 已经把它拆了），而是把泛化验证变成优化器的一等公民——held-out 验证门控，就是"评测权留在人类手里"这个原则最早的工程实现。Lite 去掉的是内部自动门控，保留的是验证权外置。整条演化谱系，从 SkillOpt 到 SkillAdam，变的是优化技巧，不变的是这条宪法。

所以技能进化不是 RSI，但它是目前距离 RSI 最近的产品化形态：它已经把"模型改自己"的闭环跑通，只是谨慎地把裁判席留给了人类。这个闭环往后每扩张一步——验证信号自动化、技能跨组织流转、演化目标从单任务走向开放世界——都会重新触碰这个问题。

6.3 三个前瞻

基于以上脉络，给出三个可检验的预测：

1. 收敛预测：文本空间优化与 RL 权重空间将在一到两年内融合为"分层自进化"——权重内能力、权重外知识、外部验证门控各司其职，而 SIA 式的元 Agent 负责调度。单一赛道的方法会显得过时，分层的不会。
2. 基础设施预测：技能仓库将成为新的分发层（类比 HuggingFace 之于权重）。随之而来的必然是签名、版本治理、供应链审计——microsoft/skills 仓库已经是这个方向的早期形态。
3. 安全预测：技能注入与投毒会成为下一个安全热点。当技能可以跨模型、跨组织流转，一条被污染的技能就是一次跨系统的供应链攻击；届时"验证权外置"就不只是对齐原则，而是安全刚需。

七、实践指南：现在该选谁

结语

回到开头那张图：灰色的柱子是没有技能的大模型，蓝色的是有技能的。2026 年的技能进化浪潮，本质上是在给那根灰色柱子装上外部记忆与肌肉——不碰权重，却让同一个模型变成另一个物种。

而整场浪潮里最有分量的遗产，可能既不是 52/52，也不是 +25.4，而是一个朴素的原则：模型可以改自己的一切，除了裁判席。谁先想明白验证权该怎么安放，谁就能定义下一阶段的自进化基础设施。

参考（截至 2026-09-27）：SkillOpt (arXiv 2605.23904)、SkillOpt-Lite (arXiv 2607.03451)、WikiSkill (arXiv 2608.27454)、SkillAdam (arXiv 2609.08944)、SkillsBench (skillsbench.ai)、microsoft/skills、EvoSkill、Trace2Skill、SkillRL、SkillGraph、Skill-R1、SIA、PostTrainBench。

引用来源

[1]: SkillOpt 论文（arXiv:2605.23904），52/52 评测单元结果：https://arxiv.org/abs/2605.23904

[2]: microsoft/SkillOpt GitHub，v0.2.0 Release（SkillOpt-Sleep 与多环境集成）：https://github.com/microsoft/SkillOpt

[3]: DAIR.AI 创始人 Xavier Amatriain（@omarsar0）分享的 SkillOpt 生产实践（多模态图表抽取技能 0.73→0.93）

[4]: SkillOpt-Lite 论文（arXiv:2607.03451）：https://arxiv.org/abs/2607.03451 ，代码：https://github.com/EvolvingLMMs-Lab/SkillOpt-Lite

[5]: 2026 年自进化方法分类综述（Agent = Model + Harness + Artifact 框架；Skill-GRPO 记忆清空消融；SIA 元 Agent 工作）[6]: WikiSkill 论文（arXiv:2608.27454，Google Research & Virginia Tech）：https://arxiv.org/abs/2608.27454[7]: SkillAdam 论文（arXiv:2609.08944）：https://arxiv.org/abs/2609.08944[8]: PostTrainBench：agent 自主后训练 vs 官方微调模型的系统性对比（最佳 agent 23.2% vs 官方模型 51.1%）[9]: SkillRL：基于 EvoAgentBench 的技能目录共进化研究（较静态技能库 +31%）[10]: SkillGraph：技能图拓扑与下游策略联合 RL 训练的工作[11]: Agentic Harness Engineering 相关综述中列出的 harness 自进化病理清单（benchmark memorization、噪声锁死、复杂度膨胀等）[12]: RSI 综述《From Bounded Self-Refinement to Autonomous Research Loops》（有界自精炼已例行化，开放式 RSI 公开文献未证明）[13]: Philipp Schmid（Hugging Face）关于 self-evolving agents 边界条件的博客：agent 可拥有 prompt/skill/tool/harness，评测必须留在人类手里

创作不易，禁止抄袭，转载请附上原文标题及其链接