夜雨聆风
先说个反直觉的事情。
同一份 Skill 技能文件，在 Codex 里训练好了，直接丢进 Claude Code 用——得分从 22 分直接飙到 81.8 分，比它本来就在 Claude Code 里训练的 80.4 分还高。
对，你没看错：跨工具搬过去的，比就地训练的还强。这是微软和上交、同济、复旦联合发的一篇论文（SkillOpt）里最离谱的一张实验表。我一开始也不信，把论文翻了一遍，发现这事儿比"搬文件"有意思多了。
先搞清一个前提：Skill 是什么
在讲这篇论文前，得先对齐一个概念——Skill（技能）。
如果你已经在用 AI 编程工具（Claude Code、Codex、OpenCode 都支持），可能见过这种东西：一个 SKILL.md 文件夹，里面用自然语言写好一套操作流程，比如"改代码前先跑测试""处理 CSV 前先检查编码"。AI 工具读到这个文件，就会照着上面的规矩干活。
我自己的体验是：手写 Skill 很不稳定。同一套流程，今天管用明天失效，换个工具直接不认——Claude Code 读 ~/.claude/skills，Codex 读 ~/.agents/skills，OpenCode 读自己的目录，格式还略有差别。所以社区里一堆"技能搬运工具"（skill-port、Agent-SkillHub 之类），专门帮你把 Skill 文件复制到各个工具的目录里。
但搬运工具只解决"文件在哪"的问题，解决不了"这份 Skill 内容到底行不行"的问题。
微软的思路：把 Skill 当"能训练的文档"
SkillOpt 这篇论文的野心就在这：别再把 Skill 当一次性写好的说明书，把它当成一个可以被"训练"的文档。
具体做法很有意思，我尽量用人话讲：
1. 让它跑一遍：带着当前版本的 Skill，让 AI 去干一批真实任务，记录每次成功和失败（这叫 rollout）。
2. 让另一个 AI 当教练：一个更聪明的模型（论文里用 GPT-5.5）看这些执行记录，总结"哪些步骤有效要保留、哪些总出错要改"。
3. 小步修改：教练只做"增加/删除/替换"这样的小改动，一次改一点点，不许大改特改（防止 Skill 漂移成另一个东西）。
4. 过闸门才收货：改完的版本要在一个"留出验证集"上重新测试，只有分数严格比旧版高，才被正式采纳。被否掉的改动也不扔掉，存起来当反面教材。
5. 循环往复：重复上面过程，直到分数不再涨。
整个流程，活脱脱就是把深度学习训练的那套（前向传播、反向传播、学习率、验证集）搬到了"改文档"上。论文里管这个叫 best_skill.md——训练完的产物就一个 300-2000 token 的小文件，模型权重一个都不用动。
结果有多夸张
论文在 6 个基准、7 个模型、3 种执行环境上做了 52 组对照，52 组全部最优或并列最优，把"人手写的 Skill""AI 一次性生成的 Skill"全比下去了。
先看一组我觉得特别有意义的数据——小模型被 Skill 拉起来了：
• GPT-5.4-mini 配训练好的 Skill，平均分 64.3，超过了没配 Skill 的 GPT-5.4（59.7）
• GPT-5.4-nano 配 Skill 后 57.4 分，超过了没配 Skill 的 GPT-5.2（51.3）
• 连 40 亿参数的 Qwen3.5-4B 都能靠一份 Skill 追平更强的模型
但最夸张的还是开头那组跨工具的数据：
• 同一份 Skill 从 Codex 搬到 Claude Code：22.1 → 81.8（+59.7 分），反超就地训练的 80.4
• 反过来从 Claude Code 搬到 Codex：27.5 → 71.1（+43.6 分）
• 在 GPT-5.5 上，训练后的 Skill 让平均正确率从 58.8 提到 82.3（+23.5 分）
翻译成人话：原来"换更大的模型"才能提的能力，现在靠一份写得好的 Skill 也能补。这对我们这种用不起旗舰模型的普通人，是实打实的好消息。
为什么"跨工具还能用"这件事很关键
回到开头那个反常识实验。一份在 Codex 里训练出来的 Skill，为什么搬到 Claude Code 反而更强？
论文的解释是：真正被训练出来的不是"Codex 专属的某个命令怎么敲"，而是"做这类任务应该遵循的通用步骤"——比如处理表格要先看结构、算完要验证公式、输出要核对静态值。这些步骤跟工具无关，Codex 和 Claude Code 谁读都一样。
这意味着 Skill 开始变成一种可训练、可复用、可审计的资产：
• 可训练：不用等大模型发新版本，自己就能持续优化
• 可复用：优化一次，多个工具、多个模型共用
• 可审计：整个优化过程就是改一个文本文件，改了什么、为什么改，全都能回看
换个角度想，这就是把"Prompt 调优"从玄学变成了工程。以前靠运气试 Prompt，现在有一套明确的方法论：采样、反思、小步改、验证过关才收。
踩坑提醒：别急着冲上去
话虽这么说，我得泼盆冷水：
这套东西现在不是开箱即用的产品，是一篇论文 + 一个开源工具。官方其实已经把代码开源了（GitHub 上搜 SkillOpt 就能找到），但它定位是研究工具，不是装好就能用。我研究下来最大的门槛是——它需要一个"能自动打分"的验证环境。训练循环里"验证过关才收"这一步，得有个客观评分器告诉你这轮改没改好。如果你的任务没有清晰的验收标准（比如"表格答案对不对"能自动判分，但"帮我想个选题"就没法打分），这套流程就跑不起来。
另外，训练一次要跑很多轮 rollout，每一轮都要真金白银地调 API，成本不小。论文里用的是 GPT-5.5 当教练，普通用户自己复现的话，得掂量掂量 API 账单。
我目前的用法是：先别想着自己训，把它当成一个信号——Skill 的价值正在被正式承认，以后好的 Skill 会越来越值钱。GitHub 上 92 万+ 的免费 Skill 生态已经摆在那了，等这套优化工具成熟，好 Skill 和普通 Skill 的差距只会越拉越大。
总结
SkillOpt 告诉我一件反直觉的事：AI 的能力上限，未必只由模型大小决定。一份经过"训练"的 Skill，能让小模型追上大模型，能让一个工具里练出的经验在另一个工具里直接复用。
对普通用户来说，最值得记住的就一句：以后别再随手写 Skill 了，把它当成值得认真打磨的东西。因为 Skill 正在从"说明书"变成"训练得出来的资产"。
换更大的模型是花钱买能力，把 Skill 训练好是花时间攒能力——前者越花越贵，后者越攒越值。
💬 你平时会用 Agent Skill 吗？有没有遇到过"换个工具 Skill 就废了"的经历？评论区聊聊。
如果觉得这篇文章有用，欢迎关注「AI 阿砚」，一个科研爱好者的 AI 探索笔记。