Uma estrutura auto-evolutiva para descobrir e refinar habilidades de agentes. A maioria das habilidades de agentes que vejo hoje são feitas à mão ou mal projetadas por um agente. Sistemas multi-agente para construção de habilidades parecem promissores. Este artigo apresenta o EvoSkill, uma estrutura auto-evolutiva que descobre e refina automaticamente as habilidades de agentes através de uma análise iterativa de falhas. O EvoSkill analisa falhas de execução, propõe novas habilidades ou edições às existentes, e materializa-as em pastas de habilidades estruturadas e reutilizáveis. Três agentes colaborativos conduzem todo o processo. Um Executor que executa tarefas, um Propositor que diagnostica falhas, e um Construtor de Habilidades que cria pastas de habilidades concretas. Uma fronteira de Pareto governa a seleção, retendo apenas habilidades que melhoram o desempenho de validação mantido, enquanto mantém o modelo subjacente congelado. No OfficeQA, o EvoSkill melhora o Claude Code com Opus 4.5 de 60.6% para 67.9% de precisão de correspondência exata. No SealQA, ele gera um ganho de 12.1%. Habilidades evoluídas no SealQA transferem zero-shot para o BrowseComp, melhorando a precisão em 5.3% sem modificação. Continuarei a acompanhar de perto esta linha de pesquisa. Acho que é realmente importante. Artigo: Aprenda a construir agentes de IA eficazes em nossa academia: