从被动感知到主动调用！SkillGym 开源技能智能体训练体系：自动构建 6.8K 验证沙箱，Qwen3.5-9B 越级超越 397B 模型

核心背景与行业痛点 近年来，基于模块化程序规程的技能包（如 SKILL.md 与各类 API 封装）已成为解决软件工程、数据分析及系统运维等长程复杂任务的标准配置。然而，当前绝大多数大模型基座仅接受过通用指令微调，在面对上百个外部可用技能时往往表现出“选择性无视”或“盲目硬编码”：智能体缺乏主动检索、精准阅读技能说明并严格遵循步骤调用的本能；相关技能的真实调用率常年低迷在 30% 以下。由于现实世界技能交互依赖真实软件与复杂的网络环境，人工构建带精确执行评判（Executable Verifier）的训练数据成本极高，极度制约了智能体主动技能使用（Skill-Use）能力的规模化泛化。 ### 架构亮点与底层机制 针对上述挑战，联合研究团队研发并开源了 SkillGym，一套全自动的环境生成与技能智能体训练流水线： 1. 真实技能可复现性清洗：从开源生态海量技能中严格筛选出具备离线可重现工作流的技能核，排除网络波动与环境不确定性； 2. 构建者-审查者（Builder-Reviewer）自适应沙箱生成：通过大模型协同机制，根据技能定义动态构建受控难度的任务场景，并为每一个场景自动生成标准参考解答与可执行的确定性验证器代码； 3. 高质量成功轨迹采集：自动化部署并运行了 6,800 个独立环境沙箱，通过代码级验证器严格过滤，萃取出 19,000 条高质量端到端执行轨迹； 4. 跨模型跨规模适配：构建了统一的 SFT 训练协议，覆盖从 2B 边缘端小模型到 122B 工业级旗舰模型的广泛架构。 ### 权威 Benchmark 与实测跑分对比 研究团队在四大主流技能基准上对微调前后的多家族模型展开了严密横向与纵向评测： 1. 技能查阅率实现质的飞跃：经过 SkillGym 轨迹微调后，智能体在处理未知长程任务时，主动阅读与解析目标技能文档的比例从基线的 28% 暴涨至 96%，几乎彻底消除了智能体对复杂专业工具的漠视现象。 2. 9B 小模型越级超越 397B 巨兽：在四大技能评测基准中，经过 SkillGym SFT 的 Qwen3.5-9B 模型展现出惊人的泛化性能，在其中两项核心基准上的综合得分甚至直接超越了未微调的 397B 参数超大规模旗舰模型。 3. 强健的分布外（OOD）泛化：即便面对在训练集中未曾出现过的全新技能以及小样本任务类型，经过微调的智能体依然保持高度稳定的技能调用准确率，证明其习得的是通用的“元技能调度策略”而非特定 API 的死记硬背。 ### 开发者实战落地与开箱指南 SkillGym 的全部环境生成脚本、1.9 万条清洗轨迹数据以及训练代码均已在 GitHub 完全开源。对于正在研发自研 Coding Assistant、自动化运维 Agent 或垂直行业专业智能体的团队，可以直接拉取 SkillGym 开源的经过 SFT 增强的 Qwen3.5/Llama-3 模型权重作为专用 Agent 底座，或复用其 Builder-Reviewer 沙箱生成脚本，针对企业私有 API 资产库批量自动化生产高质量微调数据，低成本打造高执行力的专业智能体。