Ein sich selbst entwickelndes Framework zur Entdeckung und Verfeinerung von Agentenfähigkeiten. Die meisten Agentenfähigkeiten, die ich heute sehe, sind handgefertigt oder schlecht von einem Agenten entworfen. Multi-Agenten-Systeme zum Aufbau von Fähigkeiten sehen vielversprechend aus. Dieses Papier stellt EvoSkill vor, ein sich selbst entwickelndes Framework, das automatisch Agentenfähigkeiten durch iterative Fehleranalyse entdeckt und verfeinert. EvoSkill analysiert Ausführungsfehler, schlägt neue Fähigkeiten oder Änderungen an bestehenden vor und materialisiert sie in strukturierten, wiederverwendbaren Fähigkeitsordnern. Drei zusammenarbeitende Agenten steuern den gesamten Prozess. Ein Executor, der Aufgaben ausführt, ein Proposer, der Fehler diagnostiziert, und ein Skill-Builder, der konkrete Fähigkeitsordner erstellt. Eine Pareto-Front regelt die Auswahl und behält nur Fähigkeiten bei, die die Validierungsleistung bei gehaltenen Daten verbessern, während das zugrunde liegende Modell eingefroren bleibt. Bei OfficeQA verbessert EvoSkill Claude Code mit Opus 4.5 von 60,6 % auf 67,9 % Genauigkeit bei exakten Übereinstimmungen. Bei SealQA erzielt es einen Gewinn von 12,1 %. Fähigkeiten, die auf SealQA entwickelt wurden, übertragen sich ohne Anpassungen auf BrowseComp und verbessern die Genauigkeit um 5,3 %. Ich werde diese Forschungsrichtung weiterhin genau verfolgen. Ich halte es für wirklich wichtig. Papier: Lerne, effektive KI-Agenten in unserer Akademie zu bauen: