Claude Code学会了一招——教它的不是自己，而是Codex。微软研究院与上海交大、同济、复旦团队提出的SkillOpt，直接把AI智能体技能变成了可插拔的文本工件：在Codex上优化出来的SpreadsheetBench技能，原封不动部署到Claude Code，得分81.8，压过了Claude Code自行训练同一技能的80.4。不是靠模型蒸馏，也不是靠权重合并，靠的是一份经过文本空间优化的技能文档。
这个结果背后藏着一个挑衅式的推论：我们过去认为每个Agent都需要独立调教、技能与模型绑定，可能只是工程惯性。SkillOpt的核心做法很“反常”——冻结目标模型，只优化单一技能描述文件，把技能表达成一段高度凝练的文本提示。这段文本不会随着模型规模涨落而失效，也不会因为从Claude Code换到其他工具链就崩盘。论文里给出了4项跨模型迁移、4项跨工具链迁移和3项跨基准迁移，全部高于无技能基线。等于是说，一份好技能可以在不同“大脑”和不同“手脚”之间流通，而且效果不打折，甚至更好。
这给多工具链一致性维护提供了直接实证。当企业同时使用多个Agent框架和工具平台，技能可移植性就从一个理想变成了可度量的工程指标。SkillOpt的意义不是又刷了一个榜，而是示范了一种新的思考方式：把技能从模型参数里抽离出来，让它成为独立、可复用、可传递的知识单元。Codex教Claude做事，还教得比它自学更好，这才是最值得咀嚼的细节。
