标题SkillOpt-Lite: Better and Faster Agent Self-evolution via One Line of Vibe来源arXiv, 2607.03451v1️文章简介研究问题如何构建一个理论完备且组件必要的最小可行智能体技能优化流水线主要贡献论文提出SkillOpt-Lite极简框架通过零阶优化与文件中心哲学实现比复杂基线更快更强的技能及脚手架自进化。重点思路将智能体技能优化形式化为零阶优化问题指出其本质是语言介导的程序编译过程执行轨迹即为可解释的调试反馈而非传统黑盒数值扰动。基于PAC学习理论确立两大原则通过跨轨迹共识挖掘提取不变量以保证算法稳定性利用严格独立的验证集消除评估偏差以保障泛化能力。遵循“一切皆文件”理念摒弃复杂的批次合并与更新阻尼机制将每条轨迹存为独立文件让优化器通过原生文件系统工具自主探索并直接修改技能代码。将极简流水线自然扩展为HarnessOpt把智能体运行脚手架视为可编辑代码通过沙箱验证与安全门控实现环境协同优化并封装为VSCode插件支持一行命令触发。分析总结在LiveMath和Spreadsheet等推理密集型任务上SkillOpt-Lite显著优于完整版SkillOptGPT-5.4-nano模型甚至超越了经标准优化的GPT-5.5大模型。移除反思池等冗余模块后收敛速度大幅提升轻量级模型能有效避开早期探索平台期在10个批次内即达到更高性能上限。在语义主导的浅层任务中极简管线以更低计算开销达到了与复杂基线相当的性能饱和点证明复杂架构在此类场景中并非必要。HarnessOpt证实了联合优化的关键性仅优化脚手架即可使小模型超越大模型而技能与脚手架协同优化则能取得所有配置中的最佳表现。个人观点论文揭示了随着基座模型能力增强针对弱模型设计的复杂优化拓扑反而成为负担。将高深的优化算法降维为“读日志、改代码、跑测试”循环打通了从提示词优化到系统级代码重构的壁垒。