في عالم الذكاء الاصطناعي، تعتبر المهارات الذكية (Agent skills) أداة أساسية لتعبئة المعرفة الإجرائية والخبرة في مجالات محددة، مما يساهم في تحسين فعالية نماذج اللغة. لكن، التكلفة العالية للنماذج المغلقة المصدر مثل Codex وOpenClaw تجعل استخدامها في المهام الواقعية أمراً صعباً. ومن هنا تأتي أهمية الابتكار الجديد المتمثل في SKILLER، إطار العمل الذي يعتمد على تعلم التعزيز لغرض إنشاء مهارات محددة مخصصة للنماذج الصغيرة.

التحسينات المتسارعة المقدمة من النماذج مفتوحة المصدر القابلة للنشر على وحدات معالجة الرسومات ذات الجودة الاستهلاكية تمثل فرصة رائعة لتقليل التكاليف المرتبطة بالاستخدام. ومع ذلك، تبقى عملية إنشاء مهارات فعّالة تتناسب مع هذه النماذج الصغيرة تحدياً كبيراً. لتجاوز هذه العقبة، تم تصميم SKILLER ليكون بمثابة حل فعال، حيث يقوم باستخدام نموذج قوي كفاعل ونقد، ويتعامل مع نظام العوامل الصغيرة كبيئة.

أجريت تجارب شاملة على خمسة مؤشرات أساسية باستخدام نماذج Qwen3.5-9B وQwen3.5-4B، وأظهرت النتائج أن SKILLER يتفوق على ثلاث طرق مفتوحة المصدر وأخرى مغلقة المصدر في توليد المهارات، محققًا مكاسب مطلقة تتراوح بين 4.3 إلى 20.4 نقطة مئوية للنموذج 9B ومن 1.8 إلى 13.3 نقطة للنموذج 4B، دون أن تتأثر أدائه في المهام ذات المهارة الواحدة.

يتوفر المشروع أيضاً على GitHub، مما يتيح للمطورين والباحثين الاستفادة من هذه التقنية المتطورة.