AIエージェントは複数ステップのタスクを実行する際、スキルの手動修正が必要になることが多く、信頼性の問題を引き起こす。従来の手法はスキルの改善を保証せず、無制限な長文化や性能低下を招く可能性がある。SkillOptは、モデル重みを変更せずにスキルファイルをトレーニング可能なパラメータとして扱う新しいアプローチを提案する。

SkillOptは、スキルの調整を前向き・後向きの更新サイクルとして訓練プロセスに変換する。システムは、固定されたターゲットモデルが現在のスキルでタスクを実行させ、別途の最適化モデルが成功と失敗の経路から学習し、微細なテキスト修正（追加・削除・置換）を提案する。これらの候補修正は厳格な検証ステップを通過し、従来のスキルより優れた性能を示す場合にのみ採用される。

この手法は、6つのベンチマーク、7つのターゲットモデル、3つの実行モードで行われた52の評価すべてで最良またはほぼ最良の結果を達成した。SkillOptは、モデル重みを更新せずに、GPT-5.5のようなモデルで平均23.5ポイントの性能向上を実現した。さらに、より小型またはオープンソースのモデルの性能を、大規模モデルのスキルなしの基本レベルを上回る水準まで引き上げる可能性を示した。

SkillOptで最適化されたスキルは、特定のモデルやベンチマークに特化した指示ではなく、再利用可能なタスク解決プロシージャを捉える。これにより、最適化されたスキルは、異なるモデルスケール、エージェントシステム、関連タスク間で容易に転送可能となる。結果として、SkillOptはエージェントのドメイン適応に重みの微調整やタスクロジックの手動コーディングを必要とせず、バージョン管理可能で監視可能な自然言語スキルレイヤーを軽量に訓練する道を提供する。