Rohan Paul

上海人工智能实验室的新论文发现，用人类编写的智能体技能的已验证运行记录进行训练，能让模型成为更好的智能体，即使不提供技能文件也是如此。 提示时加载的技能依赖检索和指令遵循，而在已验证的技能运行记录上微调可以减少这种依赖。 把每个技能文件变成一个带通过/失败检查器的沙箱任务，由此产生的训练数据让 Claude Code 中的 Terminal-Bench 2.1 成功率提升了 19.10 个百分点。 技能文件通常放在提示里，所以只有智能体找到并遵循它们时才有帮助。 SkillGym 把每项技能变成带代码检查器的沙箱任务，然后用通过的运行记录来训练。 在 Claude Code 中，Qwen3.5-35B-A3B 在 Terminal-Bench 2.1 上从 39.33% 跃升到 58.43%。在不提供技能文件的情况下，它在 SkillsBench 上得分 26.81%，超过了带技能的基础模型的 23.34%。 在此基础上再加载技能仍然有帮助，可提升到 51.47%。