Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills

Skill-SP 是一个 co-evolution 框架，包含 proposer（生成任务）、solver（探索解）、skill controller（维护技能库），三者通过 RL 循环自博弈。核心洞察：将 agent skill 作为中间层——每个 skill 提供深度的可验证执行（如工具调用），多个 skill 动态路由组合保证任务多样性。实验在 tool-use 和 reasoning 基准上，显著提升已有 LLM 性能天花板，并能逆转初始化差模型的颓势。

1. 直接可落地：对齐我的导购 agent 产品——技能库（如“查价格”“比参数”）正是导购 agent 所需。我可以借此框架让 agent 在真实交互中自动进化技能库，而非手动编写有限用例。\n2. 改变判断：之前认为 RL 用于 agent 训练难以兼顾探索多样性与反馈可靠性。Skill-SP 通过 skill 粒度拆分证明可行，让我对 agent 持续学习路线的信心大增。\n3. 下一步动作：仔细读 code 实现（尤其是 skill controller 的设计），随后在导购场景中复现一个小型变体，先试错再评估全量投入。