SkillScriptBench：智能体技能包自进化评测
原文标题：SkillScriptBench: Benchmarking Self-Evolution of Executable Agent Skill Packages Beyond Markdown
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 SkillScriptBench，一个 350 任务的基准，用于分别评估可执行智能体技能包在文档修复、脚本修复与保持正确行为三方面的自进化能力。基于 3.5 万个 GitHub 技能库筛选 100 个包构建任务，发现同时编辑文档与脚本的方法并不能稳定优于仅改 Markdown。作者提出 AST 引导的技能修订方法，平均修复成功率绝对提升 21.9%-27.7%。
- 问题
- 现有基准无法区分智能体技能包在文档修复、脚本修复与保持正确行为上的自进化能力。
- 方法
- 构建350任务基准，并提出AST引导的技能修订，用抽象语法树与调用关系把维护需求定位到具体代码位置，只改相关脚本并同步文档。
- 结果
- 平均修复成功率绝对提升21.9%-27.7%；同时改文档与脚本的方法并不稳定优于仅改Markdown。
- 影响
- 给做Agent技能包维护的团队一个可量化评测集和更可靠的自动修复思路，说明盲目双改不如精准定位。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SkillScriptBench用350个任务分测技能包自进化，AST引导修订使修复成功率绝对提升21.9%-27.7%。
- •基准含350个任务，从超3.5万个GitHub技能库中筛选100个包，构建150个修复任务
- •每个任务给含注入脚本故障的包配维护请求与可执行行为检查
- •对照轨道含50个包的200个任务，在干净、文档故障、脚本故障、双重故障四状态下评估
- •四个LLM上，同时改文档与脚本的方法能修脚本故障，但在文档修复与保持正确行为上不稳定优于仅改Markdown
- •AST-Guided Skill Revision用抽象语法树与调用关系定位代码，平均修复成功率绝对提升21.9%-27.7%
为什么重要：智能体技能包的自进化需要同时修错与不破坏正确行为，该基准把文档修复、脚本修复与保持能力拆开评估，暴露了现有方法的短板。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。