使用Toon增强大模型生成对象准确性 开发调优 最近在深入研究 TOON.NET 的时候，发现了一组非常有意思的基准测试数据。说实话，我对结果有点震惊——一个相对较新的格式，居然在多个主流 AI 大模型上的表现都远超 JSON 和 YAML。今天就想和大家好好聊聊这个发现，以及它背后的意义。 什么是 TOON？为什么它如此特殊 在深入测试结果之前，咱们得先理解 TOON 到底是个啥。 TOON（Text-Oriented Object No… 说是能省成本，提高效率，但是好像很久没听说了 1 个帖子 - 1 位参与者 阅读完整话题
最近看到好多佬友分享成百上千的bug号.zip，大家都是在本地直接部署CPA来用的吗？这个不是需要VPN吗？上班公司电脑不能用VPN怎么办？ 13 个帖子 - 10 位参与者 阅读完整话题
最近微软的 SkillOpt 很火，几乎每个关心 agent 的人都会刷到。刚开始看这个工作时，我的第一反应其实有点怀疑：让 agent 执行任务，记录失败轨迹，再让模型根据反馈修改一段 skill 文档，这听起来并不陌生。它到底是在学 skill ，还是把 prompt optimization 换了一个更适合 agent 的名字？ 但我把论文和项目材料看完以后，觉得这个问题不能只停在“是不是换壳”上。SkillOpt 最有意思的地方，不是它包装了一个新名词，而是它碰到了一个日常使用 agent 时很难绕开的问题：同一种错误出现第二次、第三次之后，agent 到底有没有学到什么？ 我们最常见的处理方式仍然是人工纠正。比如这次发现 agent 改代码前没有看现有测试，于是在对话里提醒它，下次先读测试再动手。模型也可能在复盘里总结几条“以后需要更谨慎”的原则，但这段复盘随着上下文结束就失效了。更多时候，经验会被临时补进 prompt 或 skill 文件：加一句“检查边界条件”，再加一句“输出前确认结果”。短期看，问题像是被修掉了；换个任务之后，又可能在别处出现新的副作用。 这类是一类难以复用的经验。模型权重通常不可控，代码有测试和版本管理，但夹在中间的操作经验往往比较松散。客服 agent 遇到退款、发票、合规边界时，要知道先查什么、什么时候拒答、什么时候转人工；代码 agent 在 monorepo 里修改模块时，要知道该看哪些文件、跑哪组测试、避开哪些生成文件；数据分析 agent 面对 DAU 、收入、退款口径时，要知道如何核对定义。这些问题不完全是模型是否“知道答案”，更多是执行方法有没有被稳定保存。 讲到这里，SkillOpt 的问题就不能只问“是不是新算法”了。如果它的全部新意只是让模型改一份 Markdown ，那确实不够有说服力。但如果它在处理的是这些松散经验如何留下、如何验证、如何避免越改越坏，事情就没那么简单。要理解它为什么会长成现在这样，需要先回到更早的 TextGrad 。 TextGrad 其实回答了一个更宽的问题：如果 AI 系统里很多关键部件本来就是文本，能不能像调代码一样调它们？它的回答是可以。prompt 、答案、代码片段、工具说明、执行计划，都可以被看成等待修改的对象；反馈不一定是数值，也可以是一段批注、一次测试失败、一个评分器结果。所谓 textual gradient ，翻译成人话就是：告诉你哪里错了，为什么错，下一轮大概该往哪边改。 从使用者的角度看，这件事并不神秘。我们平时调 agent ，也是在先跑一遍，看错在哪里，再改 prompt 、改工具说明、改检查步骤。TextGrad 做的，是把这种调试动作整理成一个可反复执行的循环：运行、评价、修改、再运行。它比普通 prompt optimization 更宽，因为被改的不只是 prompt ；但它也没有真正回答另一个问题：哪些修改应该长期留下来？ SkillOpt 接过的正是这个问题，只是它没有继续优化万物，而是把目标收窄到一份 agent 下次还会读取的 skill 文档。 这个收窄很关键。因为在 agent 系统里，skill 不只是一次性的提示词，它更像一本操作手册：哪些检查要先做，哪些工具什么时候用，哪些错误以前出现过，什么情况下不能贸然继续。普通 prompt optimization 更关心“怎么把这段话写得更容易让模型答对”，SkillOpt 关心的则更像“怎么让这份操作手册在一批任务之后变得更可靠”。 但操作手册也会腐烂。一次没查文件，不能自动总结成“每次任务都扫描全仓库”；一次测试漏跑，也不等于以后都要跑全量测试；一次指标口径错了，也不意味着应该往 skill 里塞一大段适用于所有场景的长规则。很多 prompt 或 skill 后来越来越重，就是因为它只会增加经验，不会判断哪些经验不该留下。 SkillOpt 的循环，真正处理的是这个问题。它先让 agent 带着当前 skill 去做任务，看它在哪些地方失败；失败之后让模型写一段反思，把问题压缩成对 skill 的修改建议；修改不能无限发挥，只能做有边界的小改动；新版本还要和旧版本放到保留任务上比较，只有表现更好，才会进入 best_skill.md 。 那些没通过验证的修改也不会完全丢掉，而是被记下来，提醒系统不要反复尝试类似的坏主意。 这些机制合起来，其实指向一个判断：不是每次反思都值得写进记忆。一个会学习的文本系统，先要懂得拒绝那些看起来聪明、实际会带来回归的修改。SkillOpt 比普通“让模型反思一下”多出来的东西，也正在这里。它不是只生成一段更长的说明，而是让这段说明接受试跑、修改、验证、拒绝和保留。 表格任务能比较直观地说明这一点。agent 算错结果，不一定是不会计算，也可能是没先确认表头、没检查公式范围、没复算关键值、没把输出和原表结构对齐。放到 SpreadsheetBench 这样的任务里，一份 skill 更像表格任务 SOP ，而不是某个神秘能力本身。代码任务也类似，失败常常不是不会写代码，而是没读项目约定、跑错测试、忽略 migration 或 fixture 。人类 reviewer 会把这些经验写在评论、文档或脑子里。SkillOpt 想做的，是让这些经验进入 skill 文件，同时用验证挡住那些“文字上合理、实际会降低表现”的修改。 这也是它和 prompt optimization 最难分开的地方。如果 skill 只是几段 Markdown 任务说明，它和 prompt 的距离确实很近。如果一个 benchmark 对应一份 skill ，并在固定任务分布上反复优化，最后得到的文本也可能更像 benchmark-specific 的小抄，而不是稳定可迁移的技能。真实团队里的 skill 通常更厚，里面有工具权限、异常恢复、上下文判断、组织流程、历史问题和跨任务迁移。论文里的轻量形态适合展示机制，但还没有覆盖完整的 skill learning 。 所以 SkillOpt 不应该被说成“agent 已经能自动学会技能”。它没有让 agent 自主发现新工具，也没有让 agent 理解真实组织边界。它做的是一件更窄的事：在预先定义好的任务、评分器和验证环境里，迭代一份操作说明。理论上，它延续了 TextGrad 和 prompt optimization 的文本反馈路线，并不算全新；工程上，它把一个更具体的问题摆到了台面上：失败经验如何进入 skill ，哪些修改应该保留，哪些修改应该被挡住。 也许 agent 的一部分能力，最后不会只藏在模型深处，而会写在那些看起来普通的技能文件里：几条规则，几个例外，一些失败之后留下的警告。过去我们把它们当文档维护； SkillOpt 暗示了另一种看法。它们也许是一种可训练的行为记忆。真正困难的不是让模型改几句话，而是让这些话在一次次成功和失败之后，变得更可靠，而不是更自信。SkillOpt 离完整的 skill learning 还很远，但它至少比单纯调 prompt 多问了一步：哪些经验有资格留下来？让失败不白白发生，本身就是 agent 工程里一个值得认真对待的问题。
最近微软的 SkillOpt 很火，几乎每个关心 agent 的人都会刷到。刚开始看这个工作时，我的第一反应其实有点怀疑：让 agent 执行任务，记录失败轨迹，再让模型根据反馈修改一段 skill 文档，这听起来并不陌生。它到底是在学 skill ，还是把 prompt optimization 换了一个更适合 agent 的名字？ 但我把论文和项目材料看完以后，觉得这个问题不能只停在“是不是换壳”上。SkillOpt 最有意思的地方，不是它包装了一个新名词，而是它碰到了一个日常使用 agent 时很难绕开的问题：同一种错误出现第二次、第三次之后，agent 到底有没有学到什么？ 我们最常见的处理方式仍然是人工纠正。比如这次发现 agent 改代码前没有看现有测试，于是在对话里提醒它，下次先读测试再动手。模型也可能在复盘里总结几条“以后需要更谨慎”的原则，但这段复盘随着上下文结束就失效了。更多时候，经验会被临时补进 prompt 或 skill 文件：加一句“检查边界条件”，再加一句“输出前确认结果”。短期看，问题像是被修掉了；换个任务之后，又可能在别处出现新的副作用。 这类是一类难以复用的经验。模型权重通常不可控，代码有测试和版本管理，但夹在中间的操作经验往往比较松散。客服 agent 遇到退款、发票、合规边界时，要知道先查什么、什么时候拒答、什么时候转人工；代码 agent 在 monorepo 里修改模块时，要知道该看哪些文件、跑哪组测试、避开哪些生成文件；数据分析 agent 面对 DAU 、收入、退款口径时，要知道如何核对定义。这些问题不完全是模型是否“知道答案”，更多是执行方法有没有被稳定保存。 讲到这里，SkillOpt 的问题就不能只问“是不是新算法”了。如果它的全部新意只是让模型改一份 Markdown ，那确实不够有说服力。但如果它在处理的是这些松散经验如何留下、如何验证、如何避免越改越坏，事情就没那么简单。要理解它为什么会长成现在这样，需要先回到更早的 TextGrad 。 TextGrad 其实回答了一个更宽的问题：如果 AI 系统里很多关键部件本来就是文本，能不能像调代码一样调它们？它的回答是可以。prompt 、答案、代码片段、工具说明、执行计划，都可以被看成等待修改的对象；反馈不一定是数值，也可以是一段批注、一次测试失败、一个评分器结果。所谓 textual gradient ，翻译成人话就是：告诉你哪里错了，为什么错，下一轮大概该往哪边改。 从使用者的角度看，这件事并不神秘。我们平时调 agent ，也是在先跑一遍，看错在哪里，再改 prompt 、改工具说明、改检查步骤。TextGrad 做的，是把这种调试动作整理成一个可反复执行的循环：运行、评价、修改、再运行。它比普通 prompt optimization 更宽，因为被改的不只是 prompt ；但它也没有真正回答另一个问题：哪些修改应该长期留下来？ SkillOpt 接过的正是这个问题，只是它没有继续优化万物，而是把目标收窄到一份 agent 下次还会读取的 skill 文档。 这个收窄很关键。因为在 agent 系统里，skill 不只是一次性的提示词，它更像一本操作手册：哪些检查要先做，哪些工具什么时候用，哪些错误以前出现过，什么情况下不能贸然继续。普通 prompt optimization 更关心“怎么把这段话写得更容易让模型答对”，SkillOpt 关心的则更像“怎么让这份操作手册在一批任务之后变得更可靠”。 但操作手册也会腐烂。一次没查文件，不能自动总结成“每次任务都扫描全仓库”；一次测试漏跑，也不等于以后都要跑全量测试；一次指标口径错了，也不意味着应该往 skill 里塞一大段适用于所有场景的长规则。很多 prompt 或 skill 后来越来越重，就是因为它只会增加经验，不会判断哪些经验不该留下。 SkillOpt 的循环，真正处理的是这个问题。它先让 agent 带着当前 skill 去做任务，看它在哪些地方失败；失败之后让模型写一段反思，把问题压缩成对 skill 的修改建议；修改不能无限发挥，只能做有边界的小改动；新版本还要和旧版本放到保留任务上比较，只有表现更好，才会进入 best_skill.md 。 那些没通过验证的修改也不会完全丢掉，而是被记下来，提醒系统不要反复尝试类似的坏主意。 这些机制合起来，其实指向一个判断：不是每次反思都值得写进记忆。一个会学习的文本系统，先要懂得拒绝那些看起来聪明、实际会带来回归的修改。SkillOpt 比普通“让模型反思一下”多出来的东西，也正在这里。它不是只生成一段更长的说明，而是让这段说明接受试跑、修改、验证、拒绝和保留。 表格任务能比较直观地说明这一点。agent 算错结果，不一定是不会计算，也可能是没先确认表头、没检查公式范围、没复算关键值、没把输出和原表结构对齐。放到 SpreadsheetBench 这样的任务里，一份 skill 更像表格任务 SOP ，而不是某个神秘能力本身。代码任务也类似，失败常常不是不会写代码，而是没读项目约定、跑错测试、忽略 migration 或 fixture 。人类 reviewer 会把这些经验写在评论、文档或脑子里。SkillOpt 想做的，是让这些经验进入 skill 文件，同时用验证挡住那些“文字上合理、实际会降低表现”的修改。 这也是它和 prompt optimization 最难分开的地方。如果 skill 只是几段 Markdown 任务说明，它和 prompt 的距离确实很近。如果一个 benchmark 对应一份 skill ，并在固定任务分布上反复优化，最后得到的文本也可能更像 benchmark-specific 的小抄，而不是稳定可迁移的技能。真实团队里的 skill 通常更厚，里面有工具权限、异常恢复、上下文判断、组织流程、历史问题和跨任务迁移。论文里的轻量形态适合展示机制，但还没有覆盖完整的 skill learning 。 所以 SkillOpt 不应该被说成“agent 已经能自动学会技能”。它没有让 agent 自主发现新工具，也没有让 agent 理解真实组织边界。它做的是一件更窄的事：在预先定义好的任务、评分器和验证环境里，迭代一份操作说明。理论上，它延续了 TextGrad 和 prompt optimization 的文本反馈路线，并不算全新；工程上，它把一个更具体的问题摆到了台面上：失败经验如何进入 skill ，哪些修改应该保留，哪些修改应该被挡住。 也许 agent 的一部分能力，最后不会只藏在模型深处，而会写在那些看起来普通的技能文件里：几条规则，几个例外，一些失败之后留下的警告。过去我们把它们当文档维护； SkillOpt 暗示了另一种看法。它们也许是一种可训练的行为记忆。真正困难的不是让模型改几句话，而是让这些话在一次次成功和失败之后，变得更可靠，而不是更自信。SkillOpt 离完整的 skill learning 还很远，但它至少比单纯调 prompt 多问了一步：哪些经验有资格留下来？让失败不白白发生，本身就是 agent 工程里一个值得认真对待的问题。
最近微软的 SkillOpt 很火，几乎每个关心 agent 的人都会刷到。刚开始看这个工作时，我的第一反应其实有点怀疑：让 agent 执行任务，记录失败轨迹，再让模型根据反馈修改一段 skill 文档，这听起来并不陌生。它到底是在学 skill ，还是把 prompt optimization 换了一个更适合 agent 的名字？ 但我把论文和项目材料看完以后，觉得这个问题不能只停在“是不是换壳”上。SkillOpt 最有意思的地方，不是它包装了一个新名词，而是它碰到了一个日常使用 agent 时很难绕开的问题：同一种错误出现第二次、第三次之后，agent 到底有没有学到什么？ 我们最常见的处理方式仍然是人工纠正。比如这次发现 agent 改代码前没有看现有测试，于是在对话里提醒它，下次先读测试再动手。模型也可能在复盘里总结几条“以后需要更谨慎”的原则，但这段复盘随着上下文结束就失效了。更多时候，经验会被临时补进 prompt 或 skill 文件：加一句“检查边界条件”，再加一句“输出前确认结果”。短期看，问题像是被修掉了；换个任务之后，又可能在别处出现新的副作用。 这类是一类难以复用的经验。模型权重通常不可控，代码有测试和版本管理，但夹在中间的操作经验往往比较松散。客服 agent 遇到退款、发票、合规边界时，要知道先查什么、什么时候拒答、什么时候转人工；代码 agent 在 monorepo 里修改模块时，要知道该看哪些文件、跑哪组测试、避开哪些生成文件；数据分析 agent 面对 DAU 、收入、退款口径时，要知道如何核对定义。这些问题不完全是模型是否“知道答案”，更多是执行方法有没有被稳定保存。 讲到这里，SkillOpt 的问题就不能只问“是不是新算法”了。如果它的全部新意只是让模型改一份 Markdown ，那确实不够有说服力。但如果它在处理的是这些松散经验如何留下、如何验证、如何避免越改越坏，事情就没那么简单。要理解它为什么会长成现在这样，需要先回到更早的 TextGrad 。 TextGrad 其实回答了一个更宽的问题：如果 AI 系统里很多关键部件本来就是文本，能不能像调代码一样调它们？它的回答是可以。prompt 、答案、代码片段、工具说明、执行计划，都可以被看成等待修改的对象；反馈不一定是数值，也可以是一段批注、一次测试失败、一个评分器结果。所谓 textual gradient ，翻译成人话就是：告诉你哪里错了，为什么错，下一轮大概该往哪边改。 从使用者的角度看，这件事并不神秘。我们平时调 agent ，也是在先跑一遍，看错在哪里，再改 prompt 、改工具说明、改检查步骤。TextGrad 做的，是把这种调试动作整理成一个可反复执行的循环：运行、评价、修改、再运行。它比普通 prompt optimization 更宽，因为被改的不只是 prompt ；但它也没有真正回答另一个问题：哪些修改应该长期留下来？ SkillOpt 接过的正是这个问题，只是它没有继续优化万物，而是把目标收窄到一份 agent 下次还会读取的 skill 文档。 这个收窄很关键。因为在 agent 系统里，skill 不只是一次性的提示词，它更像一本操作手册：哪些检查要先做，哪些工具什么时候用，哪些错误以前出现过，什么情况下不能贸然继续。普通 prompt optimization 更关心“怎么把这段话写得更容易让模型答对”，SkillOpt 关心的则更像“怎么让这份操作手册在一批任务之后变得更可靠”。 但操作手册也会腐烂。一次没查文件，不能自动总结成“每次任务都扫描全仓库”；一次测试漏跑，也不等于以后都要跑全量测试；一次指标口径错了，也不意味着应该往 skill 里塞一大段适用于所有场景的长规则。很多 prompt 或 skill 后来越来越重，就是因为它只会增加经验，不会判断哪些经验不该留下。 SkillOpt 的循环，真正处理的是这个问题。它先让 agent 带着当前 skill 去做任务，看它在哪些地方失败；失败之后让模型写一段反思，把问题压缩成对 skill 的修改建议；修改不能无限发挥，只能做有边界的小改动；新版本还要和旧版本放到保留任务上比较，只有表现更好，才会进入 best_skill.md 。 那些没通过验证的修改也不会完全丢掉，而是被记下来，提醒系统不要反复尝试类似的坏主意。 这些机制合起来，其实指向一个判断：不是每次反思都值得写进记忆。一个会学习的文本系统，先要懂得拒绝那些看起来聪明、实际会带来回归的修改。SkillOpt 比普通“让模型反思一下”多出来的东西，也正在这里。它不是只生成一段更长的说明，而是让这段说明接受试跑、修改、验证、拒绝和保留。 表格任务能比较直观地说明这一点。agent 算错结果，不一定是不会计算，也可能是没先确认表头、没检查公式范围、没复算关键值、没把输出和原表结构对齐。放到 SpreadsheetBench 这样的任务里，一份 skill 更像表格任务 SOP ，而不是某个神秘能力本身。代码任务也类似，失败常常不是不会写代码，而是没读项目约定、跑错测试、忽略 migration 或 fixture 。人类 reviewer 会把这些经验写在评论、文档或脑子里。SkillOpt 想做的，是让这些经验进入 skill 文件，同时用验证挡住那些“文字上合理、实际会降低表现”的修改。 这也是它和 prompt optimization 最难分开的地方。如果 skill 只是几段 Markdown 任务说明，它和 prompt 的距离确实很近。如果一个 benchmark 对应一份 skill ，并在固定任务分布上反复优化，最后得到的文本也可能更像 benchmark-specific 的小抄，而不是稳定可迁移的技能。真实团队里的 skill 通常更厚，里面有工具权限、异常恢复、上下文判断、组织流程、历史问题和跨任务迁移。论文里的轻量形态适合展示机制，但还没有覆盖完整的 skill learning 。 所以 SkillOpt 不应该被说成“agent 已经能自动学会技能”。它没有让 agent 自主发现新工具，也没有让 agent 理解真实组织边界。它做的是一件更窄的事：在预先定义好的任务、评分器和验证环境里，迭代一份操作说明。理论上，它延续了 TextGrad 和 prompt optimization 的文本反馈路线，并不算全新；工程上，它把一个更具体的问题摆到了台面上：失败经验如何进入 skill ，哪些修改应该保留，哪些修改应该被挡住。 也许 agent 的一部分能力，最后不会只藏在模型深处，而会写在那些看起来普通的技能文件里：几条规则，几个例外，一些失败之后留下的警告。过去我们把它们当文档维护； SkillOpt 暗示了另一种看法。它们也许是一种可训练的行为记忆。真正困难的不是让模型改几句话，而是让这些话在一次次成功和失败之后，变得更可靠，而不是更自信。SkillOpt 离完整的 skill learning 还很远，但它至少比单纯调 prompt 多问了一步：哪些经验有资格留下来？让失败不白白发生，本身就是 agent 工程里一个值得认真对待的问题。
最近微软的 SkillOpt 很火，几乎每个关心 agent 的人都会刷到。刚开始看这个工作时，我的第一反应其实有点怀疑：让 agent 执行任务，记录失败轨迹，再让模型根据反馈修改一段 skill 文档，这听起来并不陌生。它到底是在学 skill ，还是把 prompt optimization 换了一个更适合 agent 的名字？ 但我把论文和项目材料看完以后，觉得这个问题不能只停在“是不是换壳”上。SkillOpt 最有意思的地方，不是它包装了一个新名词，而是它碰到了一个日常使用 agent 时很难绕开的问题：同一种错误出现第二次、第三次之后，agent 到底有没有学到什么？ 我们最常见的处理方式仍然是人工纠正。比如这次发现 agent 改代码前没有看现有测试，于是在对话里提醒它，下次先读测试再动手。模型也可能在复盘里总结几条“以后需要更谨慎”的原则，但这段复盘随着上下文结束就失效了。更多时候，经验会被临时补进 prompt 或 skill 文件：加一句“检查边界条件”，再加一句“输出前确认结果”。短期看，问题像是被修掉了；换个任务之后，又可能在别处出现新的副作用。 这类是一类难以复用的经验。模型权重通常不可控，代码有测试和版本管理，但夹在中间的操作经验往往比较松散。客服 agent 遇到退款、发票、合规边界时，要知道先查什么、什么时候拒答、什么时候转人工；代码 agent 在 monorepo 里修改模块时，要知道该看哪些文件、跑哪组测试、避开哪些生成文件；数据分析 agent 面对 DAU 、收入、退款口径时，要知道如何核对定义。这些问题不完全是模型是否“知道答案”，更多是执行方法有没有被稳定保存。 讲到这里，SkillOpt 的问题就不能只问“是不是新算法”了。如果它的全部新意只是让模型改一份 Markdown ，那确实不够有说服力。但如果它在处理的是这些松散经验如何留下、如何验证、如何避免越改越坏，事情就没那么简单。要理解它为什么会长成现在这样，需要先回到更早的 TextGrad 。 TextGrad 其实回答了一个更宽的问题：如果 AI 系统里很多关键部件本来就是文本，能不能像调代码一样调它们？它的回答是可以。prompt 、答案、代码片段、工具说明、执行计划，都可以被看成等待修改的对象；反馈不一定是数值，也可以是一段批注、一次测试失败、一个评分器结果。所谓 textual gradient ，翻译成人话就是：告诉你哪里错了，为什么错，下一轮大概该往哪边改。 从使用者的角度看，这件事并不神秘。我们平时调 agent ，也是在先跑一遍，看错在哪里，再改 prompt 、改工具说明、改检查步骤。TextGrad 做的，是把这种调试动作整理成一个可反复执行的循环：运行、评价、修改、再运行。它比普通 prompt optimization 更宽，因为被改的不只是 prompt ；但它也没有真正回答另一个问题：哪些修改应该长期留下来？ SkillOpt 接过的正是这个问题，只是它没有继续优化万物，而是把目标收窄到一份 agent 下次还会读取的 skill 文档。 这个收窄很关键。因为在 agent 系统里，skill 不只是一次性的提示词，它更像一本操作手册：哪些检查要先做，哪些工具什么时候用，哪些错误以前出现过，什么情况下不能贸然继续。普通 prompt optimization 更关心“怎么把这段话写得更容易让模型答对”，SkillOpt 关心的则更像“怎么让这份操作手册在一批任务之后变得更可靠”。 但操作手册也会腐烂。一次没查文件，不能自动总结成“每次任务都扫描全仓库”；一次测试漏跑，也不等于以后都要跑全量测试；一次指标口径错了，也不意味着应该往 skill 里塞一大段适用于所有场景的长规则。很多 prompt 或 skill 后来越来越重，就是因为它只会增加经验，不会判断哪些经验不该留下。 SkillOpt 的循环，真正处理的是这个问题。它先让 agent 带着当前 skill 去做任务，看它在哪些地方失败；失败之后让模型写一段反思，把问题压缩成对 skill 的修改建议；修改不能无限发挥，只能做有边界的小改动；新版本还要和旧版本放到保留任务上比较，只有表现更好，才会进入 best_skill.md 。 那些没通过验证的修改也不会完全丢掉，而是被记下来，提醒系统不要反复尝试类似的坏主意。 这些机制合起来，其实指向一个判断：不是每次反思都值得写进记忆。一个会学习的文本系统，先要懂得拒绝那些看起来聪明、实际会带来回归的修改。SkillOpt 比普通“让模型反思一下”多出来的东西，也正在这里。它不是只生成一段更长的说明，而是让这段说明接受试跑、修改、验证、拒绝和保留。 表格任务能比较直观地说明这一点。agent 算错结果，不一定是不会计算，也可能是没先确认表头、没检查公式范围、没复算关键值、没把输出和原表结构对齐。放到 SpreadsheetBench 这样的任务里，一份 skill 更像表格任务 SOP ，而不是某个神秘能力本身。代码任务也类似，失败常常不是不会写代码，而是没读项目约定、跑错测试、忽略 migration 或 fixture 。人类 reviewer 会把这些经验写在评论、文档或脑子里。SkillOpt 想做的，是让这些经验进入 skill 文件，同时用验证挡住那些“文字上合理、实际会降低表现”的修改。 这也是它和 prompt optimization 最难分开的地方。如果 skill 只是几段 Markdown 任务说明，它和 prompt 的距离确实很近。如果一个 benchmark 对应一份 skill ，并在固定任务分布上反复优化，最后得到的文本也可能更像 benchmark-specific 的小抄，而不是稳定可迁移的技能。真实团队里的 skill 通常更厚，里面有工具权限、异常恢复、上下文判断、组织流程、历史问题和跨任务迁移。论文里的轻量形态适合展示机制，但还没有覆盖完整的 skill learning 。 所以 SkillOpt 不应该被说成“agent 已经能自动学会技能”。它没有让 agent 自主发现新工具，也没有让 agent 理解真实组织边界。它做的是一件更窄的事：在预先定义好的任务、评分器和验证环境里，迭代一份操作说明。理论上，它延续了 TextGrad 和 prompt optimization 的文本反馈路线，并不算全新；工程上，它把一个更具体的问题摆到了台面上：失败经验如何进入 skill ，哪些修改应该保留，哪些修改应该被挡住。 也许 agent 的一部分能力，最后不会只藏在模型深处，而会写在那些看起来普通的技能文件里：几条规则，几个例外，一些失败之后留下的警告。过去我们把它们当文档维护； SkillOpt 暗示了另一种看法。它们也许是一种可训练的行为记忆。真正困难的不是让模型改几句话，而是让这些话在一次次成功和失败之后，变得更可靠，而不是更自信。SkillOpt 离完整的 skill learning 还很远，但它至少比单纯调 prompt 多问了一步：哪些经验有资格留下来？让失败不白白发生，本身就是 agent 工程里一个值得认真对待的问题。
最近微软的 SkillOpt 很火，几乎每个关心 agent 的人都会刷到。刚开始看这个工作时，我的第一反应其实有点怀疑：让 agent 执行任务，记录失败轨迹，再让模型根据反馈修改一段 skill 文档，这听起来并不陌生。它到底是在学 skill ，还是把 prompt optimization 换了一个更适合 agent 的名字？ 但我把论文和项目材料看完以后，觉得这个问题不能只停在“是不是换壳”上。SkillOpt 最有意思的地方，不是它包装了一个新名词，而是它碰到了一个日常使用 agent 时很难绕开的问题：同一种错误出现第二次、第三次之后，agent 到底有没有学到什么？ 我们最常见的处理方式仍然是人工纠正。比如这次发现 agent 改代码前没有看现有测试，于是在对话里提醒它，下次先读测试再动手。模型也可能在复盘里总结几条“以后需要更谨慎”的原则，但这段复盘随着上下文结束就失效了。更多时候，经验会被临时补进 prompt 或 skill 文件：加一句“检查边界条件”，再加一句“输出前确认结果”。短期看，问题像是被修掉了；换个任务之后，又可能在别处出现新的副作用。 这类是一类难以复用的经验。模型权重通常不可控，代码有测试和版本管理，但夹在中间的操作经验往往比较松散。客服 agent 遇到退款、发票、合规边界时，要知道先查什么、什么时候拒答、什么时候转人工；代码 agent 在 monorepo 里修改模块时，要知道该看哪些文件、跑哪组测试、避开哪些生成文件；数据分析 agent 面对 DAU 、收入、退款口径时，要知道如何核对定义。这些问题不完全是模型是否“知道答案”，更多是执行方法有没有被稳定保存。 讲到这里，SkillOpt 的问题就不能只问“是不是新算法”了。如果它的全部新意只是让模型改一份 Markdown ，那确实不够有说服力。但如果它在处理的是这些松散经验如何留下、如何验证、如何避免越改越坏，事情就没那么简单。要理解它为什么会长成现在这样，需要先回到更早的 TextGrad 。 TextGrad 其实回答了一个更宽的问题：如果 AI 系统里很多关键部件本来就是文本，能不能像调代码一样调它们？它的回答是可以。prompt 、答案、代码片段、工具说明、执行计划，都可以被看成等待修改的对象；反馈不一定是数值，也可以是一段批注、一次测试失败、一个评分器结果。所谓 textual gradient ，翻译成人话就是：告诉你哪里错了，为什么错，下一轮大概该往哪边改。 从使用者的角度看，这件事并不神秘。我们平时调 agent ，也是在先跑一遍，看错在哪里，再改 prompt 、改工具说明、改检查步骤。TextGrad 做的，是把这种调试动作整理成一个可反复执行的循环：运行、评价、修改、再运行。它比普通 prompt optimization 更宽，因为被改的不只是 prompt ；但它也没有真正回答另一个问题：哪些修改应该长期留下来？ SkillOpt 接过的正是这个问题，只是它没有继续优化万物，而是把目标收窄到一份 agent 下次还会读取的 skill 文档。 这个收窄很关键。因为在 agent 系统里，skill 不只是一次性的提示词，它更像一本操作手册：哪些检查要先做，哪些工具什么时候用，哪些错误以前出现过，什么情况下不能贸然继续。普通 prompt optimization 更关心“怎么把这段话写得更容易让模型答对”，SkillOpt 关心的则更像“怎么让这份操作手册在一批任务之后变得更可靠”。 但操作手册也会腐烂。一次没查文件，不能自动总结成“每次任务都扫描全仓库”；一次测试漏跑，也不等于以后都要跑全量测试；一次指标口径错了，也不意味着应该往 skill 里塞一大段适用于所有场景的长规则。很多 prompt 或 skill 后来越来越重，就是因为它只会增加经验，不会判断哪些经验不该留下。 SkillOpt 的循环，真正处理的是这个问题。它先让 agent 带着当前 skill 去做任务，看它在哪些地方失败；失败之后让模型写一段反思，把问题压缩成对 skill 的修改建议；修改不能无限发挥，只能做有边界的小改动；新版本还要和旧版本放到保留任务上比较，只有表现更好，才会进入 best_skill.md 。 那些没通过验证的修改也不会完全丢掉，而是被记下来，提醒系统不要反复尝试类似的坏主意。 这些机制合起来，其实指向一个判断：不是每次反思都值得写进记忆。一个会学习的文本系统，先要懂得拒绝那些看起来聪明、实际会带来回归的修改。SkillOpt 比普通“让模型反思一下”多出来的东西，也正在这里。它不是只生成一段更长的说明，而是让这段说明接受试跑、修改、验证、拒绝和保留。 表格任务能比较直观地说明这一点。agent 算错结果，不一定是不会计算，也可能是没先确认表头、没检查公式范围、没复算关键值、没把输出和原表结构对齐。放到 SpreadsheetBench 这样的任务里，一份 skill 更像表格任务 SOP ，而不是某个神秘能力本身。代码任务也类似，失败常常不是不会写代码，而是没读项目约定、跑错测试、忽略 migration 或 fixture 。人类 reviewer 会把这些经验写在评论、文档或脑子里。SkillOpt 想做的，是让这些经验进入 skill 文件，同时用验证挡住那些“文字上合理、实际会降低表现”的修改。 这也是它和 prompt optimization 最难分开的地方。如果 skill 只是几段 Markdown 任务说明，它和 prompt 的距离确实很近。如果一个 benchmark 对应一份 skill ，并在固定任务分布上反复优化，最后得到的文本也可能更像 benchmark-specific 的小抄，而不是稳定可迁移的技能。真实团队里的 skill 通常更厚，里面有工具权限、异常恢复、上下文判断、组织流程、历史问题和跨任务迁移。论文里的轻量形态适合展示机制，但还没有覆盖完整的 skill learning 。 所以 SkillOpt 不应该被说成“agent 已经能自动学会技能”。它没有让 agent 自主发现新工具，也没有让 agent 理解真实组织边界。它做的是一件更窄的事：在预先定义好的任务、评分器和验证环境里，迭代一份操作说明。理论上，它延续了 TextGrad 和 prompt optimization 的文本反馈路线，并不算全新；工程上，它把一个更具体的问题摆到了台面上：失败经验如何进入 skill ，哪些修改应该保留，哪些修改应该被挡住。 也许 agent 的一部分能力，最后不会只藏在模型深处，而会写在那些看起来普通的技能文件里：几条规则，几个例外，一些失败之后留下的警告。过去我们把它们当文档维护； SkillOpt 暗示了另一种看法。它们也许是一种可训练的行为记忆。真正困难的不是让模型改几句话，而是让这些话在一次次成功和失败之后，变得更可靠，而不是更自信。SkillOpt 离完整的 skill learning 还很远，但它至少比单纯调 prompt 多问了一步：哪些经验有资格留下来？让失败不白白发生，本身就是 agent 工程里一个值得认真对待的问题。
是因为 codex 桌面版做的更好吗，还有大家用桌面端用来写代码？ 和 codex cli 是替代作用吗，还是互补作用 顺便抽 6.6 元支付宝口令红包 ，6 月 7 日 0 点开奖，好久没抽啦，哈哈。 14 个帖子 - 13 位参与者 阅读完整话题
最近 giffgaff 又被翻出来讨论，群里、论坛里到处都是。这卡不算新东西了，但每隔一阵子就火一次，无非是因为它太适合"长期保号"。我自己也是最近才开的，趁着研究了一圈，把知道的都整理在这儿。 giffgaff 到底是个啥 giffgaff 是英国的一家虚拟运营商 它最吸引人的几个点： 零月租。 不用不花钱，放着也不扣费。 收短信完全免费。 这是它最大的卖点。注册各种海外服务、收验证码，一分钱都不花。 保号成本极低。 半年（180 天）之内只要有一次"余额变动"就行，发条短信 £0.30，一年也就一块多人民币。 真实手机号。 它给的是真号码，存在实体卡里，不像 Google Voice 那种虚拟号那么容易被各种平台风控。 能在国内用。 在中国大陆它走移动或联通的基站漫游，信号栏会显示一个 “R”，这是正常的漫游标志，收短信、接电话都没问题。 兼容性也很广，从 Telegram、WhatsApp、Instagram 到 ChatGPT、Apple ID、PayPal，再到一堆海外银行（Wise、各种港美股券商开户）基本都吃。所以很多人拿它当"海外身份的入场券"。 一句话总结它的用法： 充一次钱，半年发一条短信续命，号码能稳稳用十几二十年。 现在怎么搞到一张 giffgaff 获取渠道这两年变了不少： 官网现在不往中国大陆寄卡了 ，以前那条"免费申请等寄到国内"的路基本走不通。 淘宝也基本搜不到了。 现在比较靠谱的是 某东搜"gg 英国信封" ，能找到现货卖家，但库存很不稳定，经常无货，看到有货就尽早下手。 除了某东，一些论坛也常有佬友出卡，多留意一下能淘到。 拿到卡之后要 激活 + 充值 ，几个要注意的点： 充值需要一张 Visa 或 Mastercard 的实体卡 （信用卡、借记卡都行），虚拟卡通常不行。 没有外币卡也别慌，可以直接搜"giffgaff 充值券 / 充值码"，买现成的卡密来充。 用充值券充值是免实名的 ，只要填一个国内的真实地址就行，不用提供真实姓名。 充值常年有"充 10 送 5"的活动，也就是充 £10 到手 £15。按一年两条短信（£0.6）来算，这点钱够你用很多年了。 充完记得激活，激活后号码就是你的了，最多还能免费换两次号码。 最重要的一条提醒：千万别忘了保号。 超过 180 天没有任何余额变动，号码会被系统直接回收，账户余额也一起没收，而且回收后无法找回。giffgaff 会在到期前发邮件提醒，但邮件容易被忽略。建议自己设个日历或表格提醒，到第 170 天左右就去操作一次，留出容错空间。 保号短信 和 流量，是两码事 简单说就是费用天差地别： 保号发短信只要 £0.30 一条 ，国内用户到期前发一条就能保号一年；而 国内漫游上网巨贵，裸价约 £204.8/GB（合人民币两千块一个 G） 。所以国内务必关掉数据漫游、只发短信保号，真要上网就买官方流量包（如 5GB/£30、30 天有效），别开裸漫游。 实体 eSIM 是什么（简单说） 前面说的都是插实体卡的玩法。但实体卡现在一是不好买（官网不发大陆、淘宝也没了），二是占卡槽、换机还得抠来抠去，于是就有了另一种方式------把 giffgaff 转成 eSIM 来用。 问题是 eSIM 一般要手机原生支持才行，国行 iPhone 这类基本都阉割了。这时候就轮到"实体 eSIM"出场了：它外观跟普通 nano SIM 一模一样，但本质是一张 可以反复写入的空白 eSIM 芯片卡 。你把 giffgaff 的 eSIM 配置写进去，再插进任何一台手机------哪怕是不支持 eSIM 的国行手机、老手机，也能当 eSIM 用，而且一张卡能存多个号码随时切换。 代表产品就是 eSTK、9eSIM、Xesim 这几款。怎么选直接给结论： iPhone（尤其国行）用户 → 首选 eSTK。 苹果安卓通吃，能直接在 iOS 上下卡切卡，软件开源、体验最稳，建议买满血版。 安卓用户、预算优先 → 选 9eSIM。 便宜、安卓体验好，买新版别买老版（V0 容量和兼容性差点）。 主要用苹果、想要另一个稳妥选择 → 选 Xesim。 新款国行 iPhone 也能直接写卡，安卓苹果都能用。 写在最后 giffgaff 就是一张投入极低、能长期用下去的海外号码卡。需要一个稳定的英国号来收验证码、注册海外服务、开各种账户，它的性价比很难被超过。 现在唯一麻烦的是货源------官网不发大陆、淘宝也没了，只能去某东蹲"gg 英国信封"的现货，或者在论坛留意佬友出卡。拿到之后真正要上心的就一件事： 别忘保号 ，设个提醒别让它过期就行。手机不支持 eSIM 也没关系，配一张 eSTK 或 9eSIM 写进去照样能用。 以上为整理 + 个人经验，价格、政策（尤其漫游资费、验证规则、转 eSIM 的工具时效）会随官方调整变动，实际操作前请以 giffgaff 官网和最新教程为准。 26 个帖子 - 12 位参与者 阅读完整话题
前阵子tg的passkey很火，放心的保存到google password manager上了。 谁知道，现在再次登录的时候却怎么都连不上google password manager保存的passkey，导致tg账号无法再登录了（以为有passkey便高枕无忧随意退登了）。不管是在手机上，还是电脑上，即使开全局就是无法连接到Google密码管理工具。 这玩意儿真不能用啊佬友们！ 8 个帖子 - 5 位参与者 阅读完整话题
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了
最近发现，以前很火的小龙虾，已经开始不用了。 有点好奇，你们为什么不再用了呢？ A. 配置太复杂，折腾半天才能跑起来 B. 出现了更好的替代品 C. 担心安全或隐私方面 D. 太烧 Token ，成本难以接受 E. 解决不了我的实际问题 F. 对 AI Agent 已经没兴趣了