Original em inglês: https://argusic.com/subject/skillopt
SkillOpt
SkillOpt é um otimizador de espaço de texto que treina habilidades reutilizáveis de linguagem natural para LLM agents congelados por meio de edições orientadas por trajetória, atualizações controladas por validação e artefatos implantáveis best_skill.md.
Executafonte: GitHubpágina do projetoPythonMITcommit 79124b37e9a6
Python, licença MIT. O projeto se descreve como: agent skills e self evolving agents.
SkillOpt executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 8 minutos e não encontrou nenhum erro, e a sessão inteira foi gravada.
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
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 96 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
- Tempo de instalação
- 8 minutos
- Da máquina limpa até o fim
- 2 minutos
- Erros encontrados e corrigidos
- 0 encontrados, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 79124b37e9a6
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
- **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.
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Nada quebrou no caminho: zero erros entre o clone e a execução.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
- Medido 2 vezes, então o resultado não é um caso isolado.
O que não deu certo, ou não se sabe
- Levou 8 minutos para instalar, mais devagar que a mediana dos 106 projetos comparáveis que a Argusic mediu.
Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, SkillOpt foi o 81º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Uma avaliação rápida: ele estava executando 8 minutos depois do clone.
- Seguir o próprio README: o caminho documentado funcionou sem nada para corrigir.
Histórico de execuções
| testado por | tentativa | resultado | pontuação | custo USD | quando |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | Executa com mocks | 92,00 | 0,07 | |
| Argusic Runner | 1/3 | Executa | 100,00 | 0,01 |
Tópicos (de GitHub)
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/skillopt)Perguntas
- SkillOpt executa?
- Sim. SkillOpt executa. A Argusic o instalou e iniciou em uma máquina limpa em 8 minutos, encontrando 0 erros no caminho, e gravou a sessão.
- Como a Argusic testou SkillOpt?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 79124b37e9a6. Há 2 tentativas registradas, e a metodologia completa está na página da metodologia.
- Quanto custou testar SkillOpt?
- A execução que produziu este veredito custou US$ 0,01: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar SkillOpt?
- 8 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- SkillOpt precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar SkillOpt?
- Nada deu errado na execução registrada: zero erros entre o clone e a execução.
- Como SkillOpt se compara às alternativas?
- Dos 107 projetos de agent-skills que a Argusic instalou e cronometrou, SkillOpt foi o 81º mais rápido a chegar a um estado de execução, e 78 de 107 chegaram a esse estado.
- Onde estão as evidências de SkillOpt?
- Todas as 2 execuções registradas estão nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.