COBRA-Skills：上下文伯努利指數導向的代理技能最佳化
為何重要
COBRA-Skills 直接解決了 Agent 領域的核心痛點——昂貴的自我改進成本與資料依賴。透過在極少樣本下仍能最佳化技能，此技術顯著縮短了從模型訓練到實際解決 complex tasks 的週期，將極大降低企業部署自主 AI Agent 的門檻，推動該技術在公司自動化與專業領域解決方案中的普及。
為瞭解決大型語言模型代理在技能最佳化中面臨的高昂執行評估成本與大量任務資料需求，研究團隊提出了 COBRA-Skills 框架。該框架將最佳化視為動態候選空間上的二階最佳化問題，結合上下文伯努利指數策略與執行回饋機制，在減少資源消耗的同時提昇技能效能。
- 在 6 種異質性 agent benchmark 和 3 個目標模型上，達成表現最佳的結果。
- 與現有 SkillOpt 方法相比，最佳化成本降低了 55–58%。
- 每個 benchmark 僅需 50 組獨特的最佳化範例即可有效達標。