정의
마이크로소프트 SkillOpt 논문이 제안한 패러다임으로, 모델 자체를 재학습하지 않고 에이전트의 스킬 문서(skill document)를 학습 가능한 상태로 다뤄 행동 체계를 진화시키는 접근이다. “거대한 두뇌”가 아니라 그 위에서 작동하는 “행동 운영체제(behavior OS)“를 어떻게 진화시키느냐로 경쟁의 축을 옮긴다.
핵심 속성
- 불변 대상: 모델과 에이전트는 그대로 둔다. 오직 스킬 문서만 훈련한다.
- 옵티마이저 루프: 별도 옵티마이저 모델이 실행 궤적을 분석 → 성공/실패 평가 → 스킬 문서의 문장을 추가·삭제·교체.
- 검증 게이트: 수정안은 성능이 실제 개선된 경우에만 승인. gradient descent가 validation loss를 보며 조심스럽게 이동하는 것과 동형.
- 경제성: 추가 추론 비용 없이 성능 개선. 거대 모델 재학습의 천문학적 비용을 회피한다.
- 전이성: 학습된 스킬 문서는 특정 모델에 묶이지 않고 다른 모델·실행 환경으로 전이된다.
- 성능(논문 기준): GPT-5.5 direct chat +23.5p, Codex +24.8p, Claude Code +19.1p.
관계
- 20260603-autoresearch — 동형: 검증 지표를 향해 멈추지 않고 반복하는 자율 루프
- 20260607-verification-based-infinite-loop — 하위 메커니즘: 검증 게이트로만 변경을 살린다
- 20260605-harness-engineering — 상위 맥락: 스킬 문서 = 진화하는 하네스 레이어
- 20260606-ai-feedback-loop-evolution — 연장: 자기증강 피드백 루프의 텍스트 공간 사례
- 20260531-ai-agent-skill-packaging-prompt — 대조: 사람이 스킬을 패키징하던 작업을 최적화 문제로 치환
인용
모델 자체를 계속 바꾸려 하지 말고, 에이전트의 스킬 자체를 학습 가능한 상태로 다뤄라.
출처
- 📎 클리핑: 20260623-jinho-yoos-post