2026年8月，SkillOpt在开源社区迅速走红。上线仅一周，项目就在GitHub斩获4600颗星，两个月便攀升至17,200颗星。
作为SkillOpt技术研究与开发的核心成员之一，微软亚洲研究院高级研究员杨一帆坦言SkillOpt所受到的关注既在情理之中，也在意料之外。“我们从一开始就很笃定，这项工作的底层价值足够扎实，它瞄准的是智能体长期发展的基础性问题。我们尝试从一个新的角度切入，在模型本身保持不变的情况下，通过持续优化模型之外的技能与执行流程，让智能体在真实任务中不断迭代、持续进化。”
这份对底层价值的笃定，贯穿了杨一帆一路走来的科研探索。他关注的从来不只是榜单上的数字，更在意研究问题是否触及智能的本质，以及提出的方法能否在真实场景中落地生根。他习惯站在更长的时间尺度上审视研究，也愿意为那些暂时看不到结果的问题留出足够的思考时间。
在喧嚣的AI浪潮中，寻找长期思考的空间
杨一帆与微软亚洲研究院的缘分，始于2018年。那时他还在北京大学攻读硕士学位，了解到微软亚洲研究院在计算领域的技术积淀后，他主动投递了实习简历，并于当年底加入视觉计算组，从事视觉感知算法研究。
半年的实习经历，重塑了杨一帆对科研的理解。在校期间，他更多关注论文产出、指标提升这类显性成果。走进研究院后他才真切体会到，科研的核心是追问课题的本源价值，挖掘现有技术与方法仍未解决的本质矛盾。微软亚洲研究院的科研方法论、严谨的科研品味与方式，以及自由开放的研究氛围，让他下定决心在这里长期深耕。
2021年硕士毕业后，杨一帆正式加入微软亚洲研究院。工作五年，他做出了一个在旁人看来有些不寻常的选择：开启在职深造，于 2026 年进入上海交通大学攻读博士学位。这次“回炉”是杨一帆主动拓宽自身研究视角的选择。依托微软亚洲研究院与上海交通大学的深度合作，读博期间，他可以继续推进原有的科研项目，并借助双方的资源深化对研究课题的探索。
杨一帆能够在工作之后重返校园，得益于微软亚洲研究院一以贯之的人才培养理念：在提供自由、包容的科研环境的同时，也支持员工在职深造、不断提升自己。基于研究院与高校的长期合作，研究员们可以在产业前沿与学术思考之间自由穿梭。不同环境带来的多元视角，帮助杨一帆重新审视其研究思路与选题方向，挖掘更有价值的科学问题。
“当下的AI行业有些浮躁。”杨一帆直言。不少项目的迭代周期都以月为单位计算，要求两三个月就产出阶段性成果。“在职读博对我最大的价值，是我可以静下心来思考更接近第一性原理的问题，并在快速变化的AI行业中保持自己的研究节奏，不被短期喧嚣裹挟。”
从视觉感知到智能体探索，持续拓宽智能边界
在微软亚洲研究院工作的五年里，杨一帆的研究领域横跨多个方向，从视觉内容生成、多模态基础模型，到近年来关注的视频世界模型和自进化智能体。尽管研究方向看似跨度很大，但其内核始终如一：拓宽机器智能的边界，探寻智能的本质。
这种思考首先体现在多模态研究上。在杨一帆看来，人类婴儿最初认识世界，依靠的是触摸、观察以及来自外部环境的真实反馈。语言则是人脑对物理世界高度压缩和抽象后的结果。“真正的智能，不能只停留在纯粹的抽象世界里。”带着这样的思考，他和团队将研究视线投向了多模态与视觉表征，希望突破单一语言维度的规模法则（Scaling Laws）。
当时原生文本模型的特征并不适合直接用于多模态训练，业内几乎没有成熟方案能够实现大语言模型与视觉表征的深层对齐。杨一帆和团队从表征本身入手，对不同模态的表示进行了深入的分析和校正，再利用图像-文本对重新对齐文本模型的输出空间，使长文本检索等任务的性能得到显著提升，也进一步拓展了大语言模型的泛化能力。他参与的LLM2CLIP论文后来获得了AAAI 2026杰出论文奖。
多模态研究解决的是AI如何获取和理解更多类型的信息。随着研究继续深入，杨一帆开始关注另一个问题，AI能否理解一个不断变化的环境。这也是世界模型试图解决的问题：智能体执行动作，环境随之产生反馈，智能体再根据反馈调整下一步决策。世界模型需要学习的，正是现实世界中的状态变化以及其中蕴含的规律。
视觉数据是理解物理世界的重要载体。对视觉信号建模，本质上是对视觉空间背后通用世界知识的压缩，从中学到可以泛化到物理世界的能力。“视觉空间其实有很多与文本大模型类似的特性，例如最近具身智能领域备受关注的 in-context learning（上下文学习）。”他说。而这一方向，杨一帆和团队2023年提出的ImageBrush方法就是一次早期探索，让模型从一组编辑前后的图像示例中理解操作意图，再对新图像完成类似编辑。
“与静态图像相比，视频不仅呈现物体的样貌，还记录了事件如何发生、动作如何导致结果。”通过学习视频中的时空关系和因果线索，世界模型可以预测环境的未来状态，为智能体提供一个低成本的探索环境。
围绕这一方向，杨一帆和团队设计了World-R1框架。在不引入庞大3D模块、也不依赖大量3D训练数据的情况下，该框架提升了视频生成内容的几何一致性和可控性，并可以作为智能体探索的仿真环境，降低其与真实世界交互时的试错成本。无论是物理世界中的具身智能，还是代码构成的数字环境，都可以借助世界模型加快智能体的迭代。
当研究从感知和环境理解继续向前推进时，杨一帆将目光转向自进化智能体方向。他认为，智能体并不是“让模型多调用几次工具”那么简单。真正决定智能体能力的是一套完整的工作机制：规划、反思、记忆、工具和技能彼此配合，才能把一次性的回答变成一个可以持续改进的过程。
SkillOpt正是这一思路下的重要成果。它把自然语言形成的技能视为冻结模型之外的一种可训练状态，再根据任务执行轨迹和反馈进行有约束、可验证的优化。模型本身的权重无需更新，部署成本也无需增加，智能体却能因此获得新的能力。
杨一帆习惯把智能体看作对人类处理复杂任务方式的一种拆解，“没人能同时做一百件事，无非是走一步、看一步、想一步，有短期目标，也有长期决策。”当前Harness相关研究就是将复杂任务拆解成模型可以处理的子任务，并建立校验和结构化记忆机制，避免长程任务里误差不断累积。模型也可以在完成这些复杂任务的过程中积累经验，持续提升执行能力。
谈及下一步计划，杨一帆说：“模型开始向更长程、更复杂的任务攻坚，这对上下文窗口、模型与Harness的配合、记忆管理、任务规划等能力都提出了新的挑战。我们希望完成Skill、Harness、模型和数据的闭环，用现在最强的AI技术去拓展AI自身的智能边界，用生产力杠杆去撬动生产力本身，扩大可以大规模扩展的环境和任务维度，同时提升这个过程的效率。”
立足真实世界需求，让科研在落地应用中持续生长
LLM2CLIP获得的奖项、SkillOpt在开源社区持续升温，都算得上亮眼的成果。但杨一帆认为，这些并不是评判科研成果价值的唯一标准。一项研究真正走得远，还需要经得起学术、社区、产品和产业实践的多重检验。
SkillOpt开源后，来自各行各业的开发者开始使用这套框架，带来了大量真实场景中的反馈，也为团队后续的研究提供了新的方向。随着应用深入，杨一帆和团队同事将优化对象从智能体技能拓展到了完整的智能体运行框架（Agent Harness），提出了HarnessOpt。它既支持在黑盒和白盒Harness中主动迭代技能，也能从零构建运行框架，以应对复杂的长程任务。更进一步，团队将自进化的思路延伸至完整的大模型后训练过程，提出了EnvOpt，通过自动调整训练环境、奖励机制和训练策略，推动模型自身的持续优化。
从技能的迭代，到运行框架的优化，再到模型能力的提升，杨一帆和团队同事的研究逐步形成了贯通Skill、Harness与Model三个层面的递归自我改进（RSI）技术体系。来自真实应用的反馈，也由此成为推动智能体持续进化的重要动力。
一次次落地实践，让杨一帆更加笃定优质研究的核心逻辑：找准真实问题，走进真实场景，在使用和迭代中不断放大技术价值。
除了经受开源社区开发者的检验，杨一帆参与的多项研究成果也逐步集成到微软的各类产品中。在产品化过程中，他也越来越重视技术在真实环境中的综合表现。产品所面对的需求远比单一榜单分数复杂，相比亮眼的峰值表现，更看重整体稳定性、边界场景的表现，以及极端案例中的缺陷控制。这套多维度的评判标准，比学术榜单的评价体系更加严苛，覆盖范围也更广。
如今开展研究时，杨一帆会优先判断问题是否来自真实需求，也会思考提出的方法能否迁移到不同任务和场景中。产业侧的高标准进一步促使科研人员从具体需求中提炼出更具普适性的科学问题和方法，由此形成学术探索、产品落地、开源反哺的正向循环。“科研的价值，从来不只是提出新颖算法，更在于技术能否被理解、被使用并在真实场景的反馈中不断成长。”杨一帆说。
AI时代的科研：好奇心与科研品味愈发重要
AI能力的快速发展，也在改变着科研工作的具体方式。过去研究者需要投入大量时间完成环境调试、代码编写、资料整理等工作，如今其中相当一部分工作已经可以交由AI完成。执行力提高之后，研究者可以把更多时间和精力投入到根本性科学问题的思考中。
AI可以承担越来越多的执行工作，也能帮助研究者生成新的想法。AI能力的提升并不意味着研究者作用的弱化。杨一帆认为，探索什么方向、一个问题是否值得研究，仍需要研究者自己判断。过度依赖AI生成研究想法，反而可能削弱独立思考的能力。
因此，AI 工具越强大，研究者越需要保持好奇心。“AI降低的是执行成本，而不是科研标准。工具越强、思维越被解放，就越需要深入培养自己的科研品味，这样才比以前有更大的概率做出更有价值的工作。”杨一帆说。
相关链接
SkillOpt: Executive Strategy for Self-Evolving Agent Skills
论文链接：https://arxiv.org/abs/2605.23904 (opens in new tab)
代码链接：https://github.com/microsoft/SkillOpt (opens in new tab)
LLM2CLIP: Powerful Language Model Unlocks Richer Cross-Modality Representation
论文链接：https://arxiv.org/pdf/2411.04997 (opens in new tab)
代码&模型链接：https://microsoft.github.io/LLM2CLIP/ (opens in new tab)
ImageBrush: Learning Visual In-Context Instructions for Exemplar-Based Image Manipulation
论文链接：https://arxiv.org/abs/2308.00906 (opens in new tab)
World-R1: Reinforcing 3D Constraints for Text-to-Video Generation
Artificial intelligence