Yapay zeka ajanları, çok adımlı görevleri yerine getirirken sıklıkla talimatlarının (becerilerinin) manuel olarak değiştirilmesi nedeniyle güvenilirlik sorunları yaşar. Mevcut yöntemler, bu becerilerin gelişimini garanti etmez ve kontrolsüz bir şekilde uzamalarına veya performans düşüşüne yol açabilir. SkillOpt, bu sorunu ele alarak ajan beceri dosyalarını, model ağırlıklarını değiştirmeden, eğitilebilir parametreler olarak ele alan yeni bir yaklaşım sunuyor.

SkillOpt, beceri düzenlemeyi ileri-geri-güncelleme döngüsü şeklinde bir eğitim sürecine dönüştürür. Sistem, dondurulmuş hedef modelin mevcut beceriyle görevleri yürütmesini sağlar. Ardından, ayrı bir optimize edici model, başarılı ve başarısız yörüngelerden öğrenerek küçük metin düzenlemeleri (ekleme, silme, değiştirme) önerir. Bu aday düzenlemeler, sıkı bir doğrulama kapısından geçerek yalnızca mevcut beceriden daha iyi performans gösterdikleri takdirde kabul edilir.

Bu yöntem, altı farklı kıyaslama, yedi hedef model ve üç yürütme modunda yapılan 52 değerlendirme hücresinin tamamında en iyi veya en iyiye yakın sonuçlar elde etti. SkillOpt, model ağırlıklarını güncellemeden, GPT-5.5 gibi modellerde ortalama 23,5 puanlık önemli bir performans artışı sağladı. Ayrıca, daha küçük veya açık kaynaklı modellerin performansını, daha büyük modellerin becerisiz temel seviyelerini aşacak şekilde yükseltme potansiyeli gösterdi.

SkillOpt tarafından optimize edilen beceriler, tek bir modele veya kıyaslamaya özel talimatlar yerine, yeniden kullanılabilir görev çözme prosedürlerini yakalar. Bu sayede, optimize edilmiş beceriler farklı model ölçekleri, ajan sistemleri ve ilgili görevler arasında kolayca aktarılabilir. Sonuç olarak, SkillOpt, ajanların alan adaptasyonu için ağırlıkları ince ayarlamak veya görev mantığını elle kodlamak yerine, sürümü kontrol edilebilir ve denetlenebilir doğal dil beceri katmanları eğitmek için hafif bir yol sunar.