Google WikiSkill给Agent装经验维基

时间：2026年8月27日论文公开，8月29日中文报道 地点：美国山景城 Google Research；作者含 Virginia Tech 合作者 人物：Liyan Tang、Cyrus Rashtchian、Chun-Sung Ferng、Andrew Tomkins、Da-Cheng Juan、Tu Vu（Google Research） 事件详情：Google Research 团队发布 WikiSkill 框架，把 AI Agent 的执行经验自动沉淀成可复用的"维基"，让技能在多轮迭代中持续演化，论文已在 arXiv（编号 2608.27454）公开。 WikiSkill 把 Agent 工作区分成三层：底层 Raw Layer 保存完整的执行轨迹（推理、工具调用、反馈、最终答案），只读不改；中层 Wiki Layer 把原始轨迹提炼成结构化洞察（失败模式、成功策略），跨迭代累积、永不重置；顶层 Skill Layer 存放活的程序化指令，可被回滚。 每轮循环四个组件：Inference Agent 用当前技能在训练任务上执行 rollout 生成 Raw（注意：rollout 期间禁止推理 Agent 访问 Wiki，论文 5.1 节消融显示开放访问会让平均性能从 63.7% 降到 60.9%）；Wiki Maintainer 分析轨迹、做根因分析，写入或更新 Wiki 中的模式页、索引与演化日志；Skill Proposer 以 ReAct 方式自主探索 Wiki 与执行数据，提交"原子提案"（新建技能或对现有技能做增量补丁）；Gating 机制在独立验证集上评估候选技能——只有严格高于历史最优才接受，否则回滚技能到上次成功配置。 研究团队在 5 个基准（数学推理 LiveMath、网页搜索、表格处理 SpreadSheet、文档问答 OfficeQA、虚拟环境交互）上测试 Qwen（4B、9B、27B）、Gemma-4-31B、Gemini-3.5-Flash。WikiSkill 一致超过 EvoSkill、SkillOpt 等此前 SOTA 与无技能基线：平均准确率把 Gemini-3.5-Flash 从 49.5% 拉到 68.1%，Qwen-3.6-27B 从 39.4% 拉到 63.3%；单点上 LiveMath 的 Gemini 从 33.0% 跳到 72.6%，SpreadSheet 从 50.5% 跳到 76.6%；Qwen 3.5 9B 配 WikiSkill 拿到 47.4%，超过没有 WikiSkill 的 Qwen 3.6 27B（39.4%）。 关键发现：技能演化是模型规模之外的第二条成长曲线——大模型从演化技能中获益更多，但小模型叠加 WikiSkill 可以匹敌更大的无技能模型；一个模型演化出的技能常可迁移到另一个模型家族，有时甚至比接收方自演化更好；Wiki 是主要增益来源（消融证实），失败方案也不会被浪费，会写入 Wiki 的演化日志。 背景：灵感来自 Andrej Karpathy 提出的"LLM Wiki"概念，主张把经验编纂为持久、可累积的知识。WikiSkill 是这一思路在自动技能演化上的具体落地，也呼应业内"让 Agent 越用越聪明"的长期命题，但模型权重并未更新——属于"系统层"持续学习，而非参数层。 影响：把"持续学习"拆成 Raw 不可变 + Wiki 持续累积 + Skill 可回滚 三层契约后，Agent 不再依赖在线权重更新即可跨任务复用经验，对长任务链、可重置失败容忍的工业场景（客服、运维、研发 Agent）尤其有价值；同时 Wiki 中保留的"失败档案"对未来 AI 安全审计与对齐研究是天然语料；跨模型技能迁移也降低了企业被单一模型厂商锁定的风险。 总结：WikiSkill 不是让模型参数变多，而是给 Agent 一本会自己写的"工作手册"——执行一次留一笔、错一次也记账，下次自动写进技能，下次回滚不影响维基。 参考来源： - https://arxiv.org/abs/2608.27454 - https://arxiv.org/html/2608.27454v1 - https://the-decoder.com/google-gives-ai-agents-their-own-wiki-so-they-can-learn-from-mistakes-and-successes/ - https://aipulselab.tech/news/googles-wikiskill-gives-ai-agents-a-persistent-memory-of-past-mistakes-to-sharpen-future-performance-26119c - https://agihunt.info/en/e/1a046304b5a057eb99b91100969 - https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f