Original en inglés: https://argusic.com/subject/skillopt
SkillOpt
SkillOpt es un optimizador de espacio de texto que entrena skills reutilizables en lenguaje natural para agents LLM congelados mediante ediciones impulsadas por trayectorias, actualizaciones controladas por validación y artefactos best_skill.md desplegables.
Funcionafuente: GitHubsitio webPythonMITcommit 79124b37e9a6
Python, licencia MIT. El proyecto se describe a sí mismo como: agent skills y self evolving agents.
SkillOpt funciona. Un agent de Argusic lo instaló en 8 minutos y no encontró ningún error en una máquina limpia sin GPU, y toda la sesión quedó grabada.
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
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 96 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
- Tiempo de instalación
- 8 minutos
- De máquina en frío a terminar
- 2 minutos
- Errores encontrados y corregidos
- 0 encontrados, 0 corregidos sin ayuda humana
- Cómo se demostró el resultado
- 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
- Tokens de modelo usados
- 67.216
- Commit exacto probado
- 79124b37e9a6
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
- **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.
Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Nada se rompió por el camino: cero errores entre el clon y el funcionamiento.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
- Medido 2 veces, así que el resultado no es algo puntual.
Qué no salió bien, o no se sabe
- Tardó 8 minutos en instalarse, más lento que la mediana de los 106 proyectos comparables que ha medido Argusic.
De los 107 proyectos de agent-skills que Argusic ha instalado y cronometrado, SkillOpt fue el 81.º más rápido en llegar a funcionar, y 78 de 107 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Una evaluación rápida: estaba funcionando 8 minutos después del clon.
- Seguir su propio README: el camino documentado funcionó sin nada que arreglar.
Historial de ejecuciones
| probado por | intento | resultado | puntuación | costo USD | cuándo |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Funciona con mocks | 92,00 | 0,07 | |
| Argusic Runner | 1/3 | Funciona | 100,00 | 0,01 |
Temas (de GitHub)
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/skillopt)Preguntas
- ¿Funciona SkillOpt?
- Sí. SkillOpt funciona. Argusic lo instaló y lo inició en una máquina limpia en 8 minutos, con 0 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic SkillOpt?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 79124b37e9a6. Hay 2 intentos registrados, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar SkillOpt?
- La ejecución que produjo este veredicto costó 0,01 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda SkillOpt en instalarse?
- 8 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita SkillOpt una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar SkillOpt?
- Nada, en la ejecución registrada: cero errores entre el clon y el funcionamiento.
- ¿Cómo se compara SkillOpt con las alternativas?
- De los 107 proyectos de agent-skills que Argusic ha instalado y cronometrado, SkillOpt fue el 81.º más rápido en llegar a funcionar, y 78 de 107 llegaron a funcionar.
- ¿Dónde está la evidencia de SkillOpt?
- Las 2 ejecuciones registradas están en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.