Original en anglais: https://argusic.com/subject/skillopt
SkillOpt
SkillOpt est un optimiseur d'espace de texte qui entraîne des compétences réutilisables en langage naturel pour des agents LLM figés, via des modifications guidées par trajectoire, des mises à jour soumises à validation et des artefacts déployables best_skill.md.
Fonctionnesource : GitHubpage d'accueilPythonMITcommit 79124b37e9a6
Python, sous licence MIT. Le projet se décrit ainsi : agent skills et self evolving agents.
SkillOpt fonctionne. Un agent Argusic l'a installé en 8 minutes et n'a rencontré aucune erreur sur une machine propre sans GPU, et toute la session a été enregistrée.
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
Ce que l'agent a obtenu sur une machine propre, dans ses propres mots. Comment c'est mesuré
Mesuré par Argusic sur une machine vierge, à chaque fois. Chaque chiffre renvoie à ses preuves. Score Argusic de 96 sur 100 (la moyenne des scores des exécutions de ce projet).
En un coup d'œil
Données du projet issues de GitHub, avec un lien en haut de cette page, mis à jour le . Données de test d'Argusic (CC BY 4.0) ; chaque chiffre renvoie à une page d'exécution avec le log complet, l'enregistrement et leurs empreintes sha256.
Ce qui a été mesuré
Tiré de l'exécution qui a décidé ce verdict. Chaque ligne est une valeur enregistrée, pas une estimation.
- Temps d'installation
- 8 minutes
- De la machine vierge à la fin
- 2 minutes
- Erreurs rencontrées et corrigées
- 0 rencontrée, 0 corrigée sans aide humaine
- Comment le résultat a été prouvé
- 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 modèle utilisés
- 67 216
- Commit exact testé
- 79124b37e9a6
- Image de conteneur
- sha256:cdd920bce783
Ce qui n'a pas été mesuré
L'autre moitié, pour que vous voyiez exactement jusqu'où vont ces preuves. Une lacune est affichée comme une lacune et n'est jamais comblée.
- Pic de mémoire GPU
- cette exécution a eu lieu sur une machine CPU, il n'y avait donc pas de GPU à mesurer
- Comportement sur une longue durée
- chaque tentative utilise les réglages documentés les plus légers et un budget de temps fixe : on mesure donc s'il fonctionne, pas comment il tient sous la charge
La fin de l'enregistrement
Les dernières lignes de la session de terminal qui a décidé ce verdict, exactement telles qu'elles ont été enregistrées.
- **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.
Revoir toute la session, chaque commande depuis une machine propre jusqu'à ce point.
Comment le test a été mené
Un agent, un conteneur, aucune aide humaine. Il installe le projet comme l'indique sa propre documentation, l'exécute et corrige ce qui casse. Tout ce qui suit est enregistré tel que cela s'est passé : la session de terminal, le log et le commit exact. La méthode complète.
Points forts et limites
Des faits mesurés, pas des opinions. Comment ce site est rédigé.
Ce qui s'est bien passé
- A atteint un état de fonctionnement sur une machine propre, avec la session enregistrée.
- Rien n'a cassé en route : zéro erreur entre le clone et le fonctionnement.
- A fonctionné sans GPU, il n'en a donc pas besoin pour démarrer.
- Sous licence MIT, selon son hébergeur.
- Mesuré 2 fois, le résultat n'est donc pas un cas isolé.
Ce qui ne s'est pas bien passé, ou n'est pas connu
- Installation en 8 minutes, plus lente que la médiane des 106 projets comparables mesurés par Argusic.
Sur les 107 projets agent-skills qu'Argusic a installés et chronométrés, SkillOpt a été le 81e plus rapide à atteindre un état de fonctionnement, et 78 sur 107 en ont atteint un.
Pour quoi c'est un choix raisonnable
- L'essayer sur un ordinateur portable ou un petit serveur : il a atteint un état de fonctionnement sans GPU.
- Une évaluation rapide : il fonctionnait 8 minutes après le clone.
- Suivre son propre README : la procédure documentée a fonctionné sans rien à corriger.
Historique des exécutions
| testé par | tentative | résultat | score | coût USD | date |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Fonctionne avec des mocks | 92,00 | 0,07 | |
| Argusic Runner | 1/3 | Fonctionne | 100,00 | 0,01 |
Sujets (depuis GitHub)
Intégrer le badge
Markdown pour le README du projet. Il renvoie vers cette page ; conditions sur la page des conditions.
[](https://argusic.com/subject/skillopt)Questions
- SkillOpt fonctionne-t-il ?
- Oui. SkillOpt fonctionne. Argusic l'a installé et lancé sur une machine propre en 8 minutes, en rencontrant 0 erreur en route, et a enregistré la session.
- Comment Argusic a-t-il testé SkillOpt ?
- Sur une machine vierge et jetable, avec chaque commande enregistrée et le dépôt épinglé au commit 79124b37e9a6. 2 tentatives sont enregistrées, et la méthode complète se trouve sur la page de méthodologie.
- Combien a coûté le test de SkillOpt ?
- L'exécution qui a produit ce verdict a coûté 0,01 USD : le coût réel du calcul et du modèle, pas un prix catalogue par million de tokens. Il est enregistré sur la page de cette exécution.
- Combien de temps faut-il pour installer SkillOpt ?
- 8 minutes lors de l'exécution qui a décidé ce verdict, d'une machine propre à un état de fonctionnement. Il s'agit d'une tentative mesurée, pas d'une moyenne.
- SkillOpt a-t-il besoin d'un GPU ?
- Pas pour démarrer. Argusic a atteint un état de fonctionnement sur une machine sans GPU.
- Qu'est-ce qui pose problème lors de l'installation de SkillOpt ?
- Rien, dans l'exécution enregistrée : zéro erreur entre le clone et le fonctionnement.
- Comment SkillOpt se compare-t-il aux alternatives ?
- Sur les 107 projets agent-skills qu'Argusic a installés et chronométrés, SkillOpt a été le 81e plus rapide à atteindre un état de fonctionnement, et 78 sur 107 en ont atteint un.
- Où sont les preuves pour SkillOpt ?
- Les 2 exécutions enregistrées se trouvent sur cette page, chacune avec un lien vers son log complet et son enregistrement du terminal, conservés avec une empreinte sha256 pour qu'ils ne puissent pas être modifiés discrètement.