SkillGym：将人类技能内化到 LLM 以解决真实问题

arXiv 论文提出 SkillGym 框架，将人类编写的 agent 技能从推理时外部指令转为可执行、可验证的训练环境。其 skill-to-task 流水线生成具体任务、用代码检查器验证结果，并通过对比执行评估技能依赖。作者发布 12 类共 2756 个环境和 8364 条成功轨迹，平均 49 次工具调用、超 6 万文本 token，支持监督微调与结果奖励强化学习。Claude Code 下监督微调使 Qwen3.5-35B-A3B 在 GDPval-AA v2 提升 199 Elo，Terminal-Bench 2.1 提升 19.10 个百分点，SkillsBench v1.1 带技能与不带技能分别提升 28.13 和 12.38 分。

此前人类技能多以推理时提示或外部指令形式喂给模型，模型难以稳定复用。SkillGym 把技能转成可执行、可用代码检查器验证的训练环境，并用对比执行衡量技能依赖，使技能从一次性上下文变成可训练、可评测的模型能力，为小模型在真实任务上接近或超过更大模型提供了可复现路径。

机制是把人类技能先实例化为具体任务，由代码检查器判定结果对错，再通过有无技能的对比执行量化技能带来的增益；由此得到带成功轨迹的监督微调数据和带结果奖励的强化学习信号。训练把工作流写进模型参数而非提示，因此推理时即使不给技能说明，模型也可能保留程序性能力。

对产品与研发而言，可直接用这类框架把内部 SOP、行业工作流转化为训练环境，产出可验证的微调数据，降低对推理时长提示和超大模型的依赖。小参数模型经训练后在终端与工具调用基准上提升明显，意味着成本更低、延迟更小的 agent 部署变得可行。

• 把企业内部的客服、运维或财务 SOP 转成可执行任务与代码检查器，构建私有 SkillGym 式训练环境。
• 优先在终端操作、代码修复等可自动验证场景落地，用结果奖励微调中小模型替代大模型调用。
• 建立技能依赖对比评测流程，量化每项技能对任务的增益，决定哪些技能值得内化训练。
• 将已验证的成功轨迹沉淀为可复用数据资产，支持多模型与多 harness 的持续训练迭代。

• 论文数据的独立复现情况尚不明确，目前仅见同一 arXiv 摘要的重复证据。
• GDPval-AA v2、Terminal-Bench 2.1 与 SkillsBench v1.1 同口径对比是否公平，证据未说明。
• SkillGym 环境与轨迹的许可证、构建成本及维护方式未在摘要中披露。
• 不带技能时的程序性能力能否迁移到训练分布之外的新任务，尚未得到确认。