英文原文: https://argusic.com/subject/skillopt
SkillOpt
SkillOpt 是一个文本空间优化器，通过轨迹驱动的编辑、验证门控的更新和可部署的 best_skill.md 产物，为冻结的 LLM agent 训练可复用的自然语言技能。
可运行来源：GitHub项目主页PythonMITcommit 79124b37e9a6
Python，MIT 许可证. 项目的自我描述：agent skills 和 self evolving agents.
SkillOpt 可以运行。一个 Argusic agent 在一台没有 GPU 的干净机器上用 8 分钟完成了安装，没有遇到任何错误，整个会话都被记录了下来。
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
agent 在干净的机器上最终得到的结果，用它自己的话说。 测量方式
每一次都由 Argusic 在全新机器上实测。每个数字都链接到对应的证据。 Argusic 评分 96，满分 100（该项目各次运行得分的平均值）。
概览
项目数据来自 GitHub，链接见本页顶部，更新于 。测试数据由 Argusic 提供 (CC BY 4.0)；每个数字都链接到一个运行页面，附完整的 log、录屏及其 sha256 哈希。
测量了什么
来自决定该结论的那次运行。 每一行都是记录下来的数值，而非估算。
- 安装时间
- 8 分钟
- 从冷启动机器到完成
- 2 分钟
- 遇到并修复的错误
- 遇到 0 个，在无人协助的情况下修复了 0 个
- 结果是如何证明的
- 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
- 使用的模型 token
- 67,216
- 测试的确切 commit
- 79124b37e9a6
- 容器镜像
- sha256:cdd920bce783
没有测量什么
另一半内容，让你清楚看到这些证据能说明到什么程度。缺失的数据就标为缺失，从不填补。
- GPU 显存峰值
- 本次运行在 CPU 机器上进行，没有可采样的 GPU
- 长时间运行的表现
- 每次尝试都使用文档中最小的设置和固定的时间预算，因此这里测量的是它能否运行，而不是它在负载下的表现
录屏的结尾
决定该结论的终端会话的最后几行，与录制时完全一致。
- **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.
回放完整会话，从干净的机器到此刻的每一条命令。
测试方式
一个 agent，一个容器，没有人工协助。它按照项目自身文档所写的方式安装项目，运行它，并修复出错的地方。下面的一切都按实际发生的过程记录：终端会话、log 和确切的 commit。 完整方法论.
优势与局限
均为实测事实，而非观点。内容是如何撰写的.
顺利的部分
- 在干净的机器上达到了运行状态，会话有完整记录。
- 过程中没有任何故障：从克隆到运行，零错误。
- 无需 GPU 即可运行，因此启动它并不需要 GPU。
- 采用 MIT 许可证，以其托管平台报告的信息为准。
- 已测量 2 次，因此结果并非偶然。
不顺利或尚不清楚的部分
- 安装用了 8 分钟，慢于 Argusic 测量过的 106 个同类项目的中位数。
在 Argusic 安装并计时过的 107 个 agent-skills 项目中，SkillOpt 达到运行状态的速度排名第 81，107 个项目中有 78 个达到了运行状态。
适合用于
- 在笔记本电脑或小型服务器上试用：它无需 GPU 即达到了运行状态。
- 快速评估：克隆后 8 分钟它就已经运行起来。
- 按照它自己的 README 操作：文档中的步骤无需任何修复即可走通。
运行历史
| 测试者 | 尝试 | 结果 | 评分 | 成本 USD | 时间 |
|---|---|---|---|---|---|
| Argusic Runner | 2/3 | 借助 mock 可运行 | 92.00 | 0.07 | |
| Argusic Runner | 1/3 | 可运行 | 100.00 | 0.01 |
主题 (来自 GitHub)
嵌入徽章
用于项目 README 的 Markdown。徽章链接回本页；使用条款见 条款页面.
[](https://argusic.com/subject/skillopt)常见问题
- SkillOpt 能运行吗？
- 是的。SkillOpt 可以运行. Argusic 在一台干净的机器上安装并启动了它，用时 8 分钟，过程中遇到 0 个错误，并记录了整个会话。
- Argusic 是如何测试 SkillOpt 的？
- 在一台全新的一次性机器上进行，每条命令都被记录，仓库固定在 commit 79124b37e9a6。共记录了 2 次尝试，完整方法见方法论页面。
- 测试 SkillOpt 花了多少钱？
- 得出该结论的那次运行花费 0.01 USD：这是真实的算力和模型成本，而不是按每百万 token 计的标价。该数字记录在那次运行的页面上。
- SkillOpt 安装需要多长时间？
- 在决定该结论的那次运行中，从干净的机器到运行状态用了 8 分钟。这是一次实测的尝试，不是平均值。
- SkillOpt 需要 GPU 吗？
- 启动它不需要。Argusic 在一台没有 GPU 的机器上让它达到了运行状态。
- 安装 SkillOpt 时会出现什么问题？
- 在已记录的运行中没有出现任何问题：从克隆到运行，零错误。
- SkillOpt 与其他替代方案相比如何？
- 在 Argusic 安装并计时过的 107 个 agent-skills 项目中，SkillOpt 达到运行状态的速度排名第 81，107 个项目中有 78 个达到了运行状态。
- SkillOpt 的证据在哪里？
- 全部 2 次已记录的运行都在本页上，每次都链接到完整的 log 和终端录屏，并连同 sha256 指纹一起保存，因此无法被悄悄篡改。