SkillScriptBench：评测Agent技能包自演化的350任务基准

Yuxuan Liu 等人发布论文，提出 SkillScriptBench——一个用于评测 LLM Agent 可执行技能包自我演化的 350 任务基准，可分别评测文档修复、脚本修复和行为保持能力；并提出 AST 引导的技能修订方法。基准从对超过 35,000 个 GitHub 托管 Skill 根目录的调查中选出 100 个包，构建 150 个修复任务。 在四个 LLM 上的实验显示：同时编辑文档和脚本的方法能修复脚本错误，但在文档修复和行为保持上并不稳定优于仅修订 Markdown 的方法。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。