来源：抖音 @律大侠法律AI
微软联合上海交通大学、同济大学、复旦大学，共同开源了一款名为 SkillOpt 的新工具。这款工具旨在帮助大型语言模型（LLM）实现技能的自我优化，提升其在专业领域的应用能力。
SkillOpt 简介
SkillOpt 的核心在于其能够优化和改进LLM的现有技能，无论这些技能是人工编写的还是由模型生成的。通过一系列训练和评估流程，SkillOpt 确保LLM的技能能够持续自我进化，并适应不断变化的任务需求。
根据官方发布的信息，SkillOpt 在多项测试中表现出色。在六种基准测试、七个目标模型和三种执行环境下（总计52组评估），SkillOpt 在与直接对话、Codex agentic loop和Claude Code方面的表现，均达到第一或并列第一的水平。这意味着该工具能够显著提升LLM处理复杂任务的准确性和效率。
在法律AI平台上的应用演示
以法律AI平台为例，SkillOpt 可以赋能法律从业者，实现专业能力的持续提升。
1. 配置 SkillOpt MiniMax 后端
首先，需要配置 SkillOpt 的后端，使其能够与法律AI平台集成。这通常涉及到设置 API Key 和端点信息，确保 SkillOpt 能够访问大模型服务并进行通信。
在演示中，命令行界面会提示用户进行以下步骤：
-
获取 MiniMax API Key：访问
https://console.minimax.io/获取 API Key。 -
填入配置：将获取到的 API Key 填入环境变量或配置文件中。这一步可以通过命令行或图形界面完成。例如：
export MINIMAX_API_KEY="your_key" export MINIMAX_BASE_URL="https://api.minimax.com/v1" export TARGET_DEPLOYMENT="MiniMax-M2.7"
2. 构建训练框架与文件结构
SkillOpt 的训练框架依赖于特定的文件结构，以便组织和管理技能文档、训练脚本和配置文件。文件结构示例如下：
skills/data-science/skillopt/
├── .env # 环境变量 (含 API Key，不提交 git)
├── skill.md # SkillOpt 使用说明
├── run_training.bat # Windows 批处理文件
├── scripts/
│ ├── run_skillopt_training.py # Python 训练脚本
│ └── prepare_training_data.py # 数据集生成脚本
├── configs/
│ └── minimax.yaml # MiniMax 配置
├── skills/
│ └── initial.md # Seed Skill (合同分析案例)
└── data/
├── contract_tasks.json # 15个合同细分任务
└── default_tasks.json # 10个通用任务3. 运行技能训练流程
配置完成后，即可运行 SkillOpt 训练流程。该流程涉及以下核心步骤：
- Rollout (执行)：代理执行当前技能。
- Reflect (反思)：代理对执行结果进行自我评估。
- Aggregate (聚合)：收集和汇总执行与反思的数据。
- Select (选择)：根据评估结果，选择表现最优的技能。
- Update (更新)：基于选定的最佳技能，更新并改进LLM的技能知识库。
- Evaluate (评估)：对更新后的技能进行评估，以验证其性能提升。
用户可以通过命令行执行训练脚本，例如：
cd C:/Users/czf/AppData/Local/DaxiaHermes/runtime/
source ./.skillopt_env
python skills/data-science/skillopt/scripts/run_skillopt_training.py --epochs 3这个过程会迭代地执行技能，根据反馈进行调整，并最终生成优化后的 best_skill.md 文件，取代原有的 skill.md 文件，实现技能的自我进化。
总结
SkillOpt 为专业领域的LLM应用带来了巨大的潜力，尤其在法律、医疗、金融等需要高度专业知识和持续学习的领域。通过这种“傻瓜式”的自我进化机制，大模型能够不断提升其专业能力，为用户提供更精准、更高效的服务。