SkillOpt-Lite: 더 좋고 빠른 에이전트 자기 진화를 위한 한 줄의 Vibe

초록

자율 에이전트를 위한 스킬 최적화가 주목받고 있지만, 기존 방법들은 복잡한 파이프라인에 의존합니다. 이로 인해 근본적인 질문이 제기됩니다: 모든 구성 요소가 이론이나 경험적 필요성에 의해 정당화되는, 스킬 최적화를 위한 최소 실행 가능 파이프라인은 무엇인가? 우리는 스킬 최적화를 0차(ZO) 최적화를 통해 정형화하여, 고전적 방법(중앙 차분, 신뢰 영역)을 최신 문헌에 대응시킵니다. 고전적 ZO에서의 맹목적 수치 섭동과 달리, 스킬 궤적은 해석 가능한 디버깅 피드백 역할을 한다는 점에 주목합니다. Claude Code 철학과 PAC 학습에 기반하여, 수렴 및 일반화를 위한 세 가지 원칙(파일 시스템 기반 궤적 탐색, 합의 속성 마이닝, 독립 검증 게이팅)을 수립합니다. 중복을 제거하여 SkillOpt-Lite를 제안합니다. 이는 수렴을 가속화하고 전체 SkillOpt보다 뛰어난 성능을 보여줍니다: LiveMath에서 GPT-5.5는 +8.8점, GPT-5.4-nano는 +25.4점 향상되어, nano 모델이 SkillOpt로 최적화된 표준 GPT-5.4를 능가합니다. 마지막으로, 우리 프레임워크를 VSCode Copilot과 같은 프로덕션 코딩 에이전트에 통합하여, 개발자가 한 줄의 바이브(vibe)로 에이전트 스킬을 진화시킬 수 있게 합니다. 우리 프레임워크는 모든 에이전트 구성 요소를 단순히 편집 가능한 표준 코드로 취급하기 때문에, 이 최소 파이프라인은 자연스럽게 전체 하네스 최적화(HarnessOpt)로 일반화됩니다. SpreadsheetBench에서 HarnessOpt는 GPT-5.4-nano가 0.7758의 정확도를 달성하여, 표준 파이프라인을 실행하는 더 큰 GPT-5.5(0.7620)를 능가합니다. 코드는 https://github.com/EvolvingLMMs-Lab/SkillOpt-Lite에서 확인할 수 있습니다.

English

While skill optimization for autonomous agents has gained traction, existing methods rely on complex pipelines. This leaves a fundamental question unaddressed: What constitutes a minimal viable pipeline for skill optimization, where every component is justified by theory or empirical necessity? We formalize skill optimization via Zeroth-Order (ZO) optimization, mapping classical counterparts (central difference, trust regions) to recent literature. Noting that unlike blind numerical perturbations in classical ZO, skill trajectories serve as interpretable debugging feedback. Grounded in Claude Code philosophy and PAC learning, we establish three principles for convergence and generalization: file-system-based trajectory exploration, consensus attribute mining, and independent validation gating. Eliminating redundancies, we propose SkillOpt-Lite. It accelerates convergence and outperforms full SkillOpt: improving LiveMath by +8.8 points on GPT-5.5 and +25.4 points on GPT-5.4-nano, allowing the nano model to surpass standard GPT-5.4 optimized by SkillOpt. Finally, we integrate our framework into production coding agents like VSCode Copilot, enabling developers to evolve agent skills via one line of vibe. Because our framework treats all agent components simply as standard editable code, this minimal pipeline naturally generalizes to full harness optimization (HarnessOpt). On SpreadsheetBench, HarnessOpt enables GPT-5.4-nano to achieve 0.7758 accuracy, outperforming the larger GPT-5.5 running standard pipelines (0.7620). Code is available at https://github.com/EvolvingLMMs-Lab/SkillOpt-Lite.