Englisches Original: https://argusic.com/subject/skillopt
SkillOpt
SkillOpt ist ein Textraum-Optimierer, der wiederverwendbare Natural-Language-Skills für eingefrorene LLM-Agenten via trajektoriengetriebene Bearbeitungen, validierungsgesteuerte Aktualisierungen und bereitstellbare best_skill.md-Artefakte.
LäuftQuelle: GitHubHomepagePythonMITCommit 79124b37e9a6
Python, Lizenz MIT. Das Projekt beschreibt sich selbst als: agent skills und self evolving agents.
SkillOpt läuft. Ein Argusic-Agent hat es in 8 Minuten installiert und ist auf keine Fehler gestoßen. Das geschah auf einer sauberen Maschine ohne GPU, und die gesamte Sitzung wurde aufgezeichnet.
SkillOpt 0.2.0 installed from source in a PEP 668 venv; all 1496 tests pass; all three CLI entry points respond; the Sleep mock backend cycles without credentials
Was der Agent auf einer sauberen Maschine erreicht hat, in seinen eigenen Worten. So wird gemessen
Von Argusic jedes Mal auf einer frischen Maschine gemessen. Jede Zahl verlinkt auf ihren Nachweis. Argusic Score 96 von 100 (der Mittelwert der Lauf-Scores dieses Projekts).
Auf einen Blick
Projektdaten von GitHub, oben auf dieser Seite verlinkt, aktualisiert . Testdaten von Argusic (CC BY 4.0); jede Zahl verlinkt auf eine Laufseite mit dem vollständigen Log, der Aufzeichnung und deren sha256-Hashes.
Was gemessen wurde
Aus dem Lauf, der diesen Befund entschieden hat. Jede Zeile ist ein aufgezeichneter Wert, keine Schätzung.
- Installationszeit
- 8 Minuten
- Von der kalten Maschine bis zum Ende
- 2 Minuten
- Aufgetretene und behobene Fehler
- 0 aufgetreten, 0 ohne menschliche Hilfe behoben
- Wie das Ergebnis belegt wurde
- python -m pytest tests/ -q exited 0, 1496 passed, 12 skipped in 25.1s; pip install -e . succeeded; skillopt-train --help, skillopt-eval --help, skillopt-sleep --help all printed usage; python -c 'import skillopt; print("SkillOpt ready!")' succeeded; skillopt-sleep dry-run --backend mock completed without credentials
- Verbrauchte Modell-Tokens
- 67.216
- Genau getesteter Commit
- 79124b37e9a6
- Container-Image
- sha256:cdd920bce783
Was nicht gemessen wurde
Die andere Hälfte, damit Sie genau sehen, wie weit dieser Nachweis reicht. Eine Lücke wird als Lücke angezeigt und nie aufgefüllt.
- Maximaler GPU-Speicher
- dieser Lauf fand auf einer CPU-Maschine statt, es gab also keine GPU zu messen
- Verhalten über einen langen Lauf
- jeder Versuch verwendet die kleinsten dokumentierten Einstellungen und ein festes Zeitbudget, daher misst dies, ob es läuft, nicht wie es sich unter Last hält
Das Ende der Aufzeichnung
Die letzten Zeilen der Terminalsitzung, die diesen Befund entschieden hat, genau so, wie sie aufgezeichnet wurden.
- **Install**: `pip install -e ".[dev]"` into a venv succeeded. All CLI entry points (`skillopt-tra… - **Tests**: `python -m pytest tests/ -q` — **1496 passed, 12 skipped, 0 failed** in 25.1 seconds. - **Sleep mock path**: `skillopt-sleep status` and `skillopt-sleep dry-run --backend mock` both com… - **No errors** encountered. tokens used 67,216 All systems verified. Let me compile the final report. **Result summary:** - **Install**: `pip install -e ".[dev]"` into a venv succeeded. All CLI entry points (`skillopt-tra… - **Tests**: `python -m pytest tests/ -q` — **1496 passed, 12 skipped, 0 failed** in 25.1 seconds. - **Sleep mock path**: `skillopt-sleep status` and `skillopt-sleep dry-run --backend mock` both com… - **No errors** encountered.
Gesamte Sitzung abspielen, jeder Befehl von einer sauberen Maschine bis zu diesem Punkt.
So wurde getestet
Ein Agent, ein Container, keine menschliche Hilfe. Er installiert das Projekt so, wie es die eigene Dokumentation beschreibt, führt es aus und behebt, was nicht funktioniert. Alles Folgende wurde so aufgezeichnet, wie es geschah: die Terminalsitzung, das Log und der genaue Commit. Die vollständige Methodik.
Stärken und Grenzen
Gemessene Fakten, keine Meinungen. Wie diese Inhalte entstehen.
Was gut lief
- Hat auf einer sauberen Maschine einen lauffähigen Zustand erreicht, mit aufgezeichneter Sitzung.
- Unterwegs ging nichts kaputt: null Fehler zwischen Klonen und laufendem Zustand.
- Lief ohne GPU, braucht also keine, um zu starten.
- Lizenz MIT, laut Angabe des Hosts.
- 2-mal gemessen, das Ergebnis ist also kein Einzelfall.
Was nicht lief oder unbekannt ist
- Die Installation dauerte 8 Minuten, langsamer als der Median der 106 vergleichbaren Projekte, die Argusic gemessen hat.
Von den 107 Projekten im Bereich agent-skills, die Argusic installiert und zeitlich gemessen hat, belegte SkillOpt Platz 81 bei der Zeit bis zum lauffähigen Zustand, und 78 von 107 erreichten überhaupt einen solchen Zustand.
Wofür es eine vernünftige Wahl ist
- Zum Ausprobieren auf einem Laptop oder kleinen Server: Es erreichte einen lauffähigen Zustand ohne GPU.
- Für eine schnelle Evaluierung: Es lief 8 Minuten nach dem Klonen.
- Nach der eigenen README: Der dokumentierte Weg funktionierte, ohne dass etwas zu beheben war.
Laufverlauf
| getestet von | Versuch | Ergebnis | Score | Kosten USD | wann |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Läuft mit Mocks | 92,00 | 0,07 | |
| Argusic Runner | 1/3 | Läuft | 100,00 | 0,01 |
Themen (von GitHub)
Badge einbetten
Markdown für die README des Projekts. Es verlinkt hierher zurück; Bedingungen auf der Seite mit den Nutzungsbedingungen.
[](https://argusic.com/subject/skillopt)Fragen
- Läuft SkillOpt?
- Ja. SkillOpt läuft. Argusic hat es auf einer sauberen Maschine in 8 Minuten installiert und gestartet, ist dabei auf 0 Fehler gestoßen und hat die Sitzung aufgezeichnet.
- Wie hat Argusic SkillOpt getestet?
- Auf einer frischen Einwegmaschine, mit jedem Befehl aufgezeichnet und dem Repository fixiert auf Commit 79124b37e9a6. 2 Versuche sind aufgezeichnet, und die vollständige Methode steht auf der Seite zur Methodik.
- Was hat der Test von SkillOpt gekostet?
- Der Lauf, der diesen Befund ergab, kostete 0,01 USD: echte Rechen- und Modellkosten, kein Listenpreis pro Million Tokens. Der Betrag ist auf der Seite dieses Laufs aufgezeichnet.
- Wie lange dauert die Installation von SkillOpt?
- 8 Minuten in dem Lauf, der diesen Befund entschieden hat, von einer sauberen Maschine bis zum lauffähigen Zustand. Das ist ein gemessener Versuch, kein Durchschnitt.
- Braucht SkillOpt eine GPU?
- Nicht zum Starten. Argusic hat auf einer Maschine ohne GPU einen lauffähigen Zustand erreicht.
- Was geht bei der Installation von SkillOpt schief?
- Im aufgezeichneten Lauf nichts: null Fehler zwischen Klonen und laufendem Zustand.
- Wie schneidet SkillOpt im Vergleich zu Alternativen ab?
- Von den 107 Projekten im Bereich agent-skills, die Argusic installiert und zeitlich gemessen hat, belegte SkillOpt Platz 81 bei der Zeit bis zum lauffähigen Zustand, und 78 von 107 erreichten überhaupt einen solchen Zustand.
- Wo ist der Nachweis für SkillOpt?
- Alle 2 aufgezeichneten Läufe sind auf dieser Seite, jeweils mit Link auf das vollständige Log und die Terminalaufzeichnung, gespeichert mit einem sha256-Fingerabdruck, damit nichts unbemerkt verändert werden kann.