**Gradient descent와 같은 에이전트 기술을 연마. **

SkillGrad는 구조화된 매개 변수로 에이전트 기술 패키지를 취급합니다. gradient descent의 textual 아날로그를 통해 최적화: executor trajectories를 생성하고, 진단자는 per-task 갱신으로 그(것)들을 돌립니다 신호, 순간 대리인은 recurring 본을 전 축적합니다 반복, 그리고 Patcher는 기술에 층 인식 편집을 적용합니다.

인포메이션 인포메이션 | 종이 | arXiv:2605.27760 | | 코드 | |

최적화 아날로그:

| 기온 | 스킬그라드 | 인포메이션 | 매개 변수 θ | 구조 기술 패키지 S = (H, B, Q) | | 손실 증거 | 업무 결과 + 쓰레기 추적 | | per-example gradient | per-task 문자 진단 | | 모멘텀 | 지속적인 패턴 메모리 + 투영 오버레이 | | 매개 변수 업데이트 | 레이어 인식 기술 패치 |

저장소 레이아웃

설치

이 repo는 참고 파이프라인으로 완전한 SpreadsheetBench Verified 통합을 포함합니다. 그것을 실행하려면 data/benchmarks/spreadsheetbench/]의 레이아웃에 따라 dataset를 배치합니다. 새로운 벤치 마크로 SkillGrad를 사용하려면 해당 로더 및 그레이더 인터페이스를 구현합니다.

퀵스타트

SkillGrad

Optimizing agent skills like gradient descent.

SkillGrad treats an agent skill package as a structured parameter and optimizes it through a textual analogue of gradient descent: an executor produces trajectories, a diagnoser turns them into per-task update signals, a momentum agent accumulates recurring patterns across iterations, and a patcher applies a layer-aware edit to the skill.

The optimization analogy:

Repository layout

pipeline/        executor, diagnoser, momentum, patcher, training loop
prompts/         the five agent prompts
runners/         model dispatch, cost ledger, trajectory logger, …
evaluators/      xlsx grader used as the terminal loss signal
data/            dataset loader, split, layout
scripts/         base_traj.sh, train.sh, eval.sh
seeds/xlsx/      bundled initial skill (SKILL.md)
assets/          figures referenced from the README

Installation

pip install -r requirements.txt

cp .env.example .env
# fill in exactly one of the two provider blocks

This repo includes a complete SpreadsheetBench Verified integration as a reference pipeline. To run it, place the dataset under data/benchmarks/spreadsheetbench/ following the layout in data/benchmarks/README.md. To use SkillGrad with a new benchmark, implement the corresponding loader and grader interfaces.

Quickstart

Three commands run an end-to-end optimization cycle from the repo root.

bash scripts/base_traj.sh   # 1. collect failure pool
bash scripts/train.sh       # 2. train SkillGrad
bash scripts/eval.sh        # 3. evaluate on held-out test split

Switch the backbone model via the MODEL environment variable:

MODEL=gpt-4.1 bash scripts/train.sh

The default run id is skillgrad_. Final artifacts land under results/runs/skillgrad_/:

results/runs/skillgrad_gpt-5.4/
├── config.json
├── train/
│   ├── training_results.json
│   ├── iter_1/, iter_2/, …
│   └── final_skill/xlsx/
└── eval/
    ├── summary.json
    └── /trajectory.json

Initial skill

The training loop optimizes whatever initial skill you point --skills-dir at. The repository ships with one bundled seed at seeds/xlsx/SKILL.md and the scripts default to it. To use a different initialization, lay it out as /xlsx/SKILL.md and pass SKILLS_DIR= to the scripts.

Configuration