В субботу участвовали с командой в офлайн-игре для разработчиков «Рекурсия по городу» от Яндекса

По сюжету ты находишь сломанный код проекта 2012 года и дневник его автора — неизвестного разработчика, который его создал. Система зациклилась и живет до сих пор. Чтобы все пофиксить, нужно было перемещаться по городским локациям и решать задачи, восстанавливая систему по кусочкам.

Мы спускались на 14 этажей под землю в бывший архив МИДа, расшифровывали перфокарты в Яндекс Музее, играли в кости с генератором случайных чисел у памятника Ленте Мёбиуса, а потом гостили на афтерпати в офисе на Льва Толстого.

Маршрут был построен через места, где буквально формировалась российская инженерная культура: ВМК МГУ, смотровая РАН, «Демос», Красная Роза, где сейчас находится штаб-квартира Яндекса и другие (всего их было около 30).

У каждой локации своя большая хроника. Например, вы знали, что Красная Роза изначально была огромной шелковой фабрикой XIX века? Она, кстати, и дала району Хамовники его название (само слово «хам» тогда означало лён). Спустя полтора века это место превратилось в один из главных технологических хабов страны.

Через задания чувствовалось, что ты не просто решаешь головоломки, а идёшь по истории технологий — от перфокарт и азбуки Морзе до роботов-доставщиков и нейросетей. И чувствуешь, что за каждым сервисом стоят люди, места и решения, с которых всё когда-то началось.

Microsoft опенсорснули проект SkillOpt для оптимизации способностей агентов

Это фреймворк, который фоново улучшает вашего агента через изменение markdown файлов со скиллами.

Это похоже на классический learning loop, но в текстовом пространстве. То есть агент выполняет задачи с текущей версией условного skill.md (это аналог прямого прохода), система легирует все, что тот делает, отмечает ошибки и успешные ответы, а затем на основе этого предлагает небольшие правки в skill (это уже backward pass).

Новая версия md принимается только после прохождения верификации на отдельном сете задач (его можно задать самостоятельно или взять готовый).

Как и в реальном обучении, тут предусмотрено подобие learning rate: чтобы сразу случайно сильно не испортить файл правками, они могут быть только небольшими и должны соответствовать определенным правилам. Так что попробовать инструмент можно довольно безопасно, даже если боитесь за свои md-шки.

Приросты можно посмотреть в большой таблице наверху. Как видите, абсолютно во всех комбинациях моделей и бенчмарков они положительные и заметные, а в Codex и Claude Code на GPT-5.5 средний gain указан вообще как +21.8 и +18.6 соответственно (!).

Статья, код, овервью и инструкции по использованию – все здесь: https://microsoft.github.io/SkillOpt/