Самоеволюційна структура для виявлення та вдосконалення навичок агентів. Більшість навичок агента, які я бачу сьогодні, створені вручну або погано розроблені агентом. Мультиагентні системи для розвитку навичок виглядають перспективно. У цій статті представлено EvoSkill — самоеволюційний фреймворк, який автоматично відкриває та вдосконалює навички агентів через ітеративний аналіз невдач. EvoSkill аналізує помилки виконання, пропонує нові навички або редагує існуючі та матеріалізує їх у структуровані, багаторазові папки навичок. Троє співпрацюючих агентів керують усім процесом. Виконавець, який виконує завдання, Пропозер, який діагностує невдачі, та Конструктор навичок, який створює конкретні папки навичок. Парето-рубеж керує відбором, зберігаючи лише навички, які покращують відкладені результати валідації, залишаючи при цьому замороженою базову модель. В OfficeQA EvoSkill покращує точність Claude Code з Opus 4.5 з 60,6% до 67,9%. На SealQA це дає приріст у 12,1%. Навички, що розвивалися на SealQA, переносить zero-shot у BrowseComp, покращуючи точність на 5,3% без змін. Я й надалі уважно відстежуватиму цей напрямок досліджень. Я вважаю, що це дуже важливо. Стаття: Навчіться створювати ефективних агентів ШІ в нашій академії: