一个真实的痛点
你有没有遇到过这种情况：AI Agent犯了一个错误，你告诉它正确的做法，它下一次还是会犯同样的错误？
原因很简单：Agent的经验散落在对话历史里，没有被系统性地沉淀下来。每一次交互都是一次性的，用完即弃。
Google Research的最新论文WikiSkill（arXiv:2608.27454）提出了一个优雅的解决方案：让Agent像人类一样，把经验编译成知识，再把知识进化成技能。
三层架构：Raw → Wiki → Skill
WikiSkill的核心是三层分离的存储架构：
Raw层（原始轨迹）：记录Agent的每一步执行——推理过程、工具调用、环境反馈、最终答案。写入后永不修改，保证数据完整性。
Wiki层（结构化知识）：从原始轨迹中提炼出结构化的模式（patterns）。每个模式描述一个问题的根因和解决方案。这一层只累积不重置，知识越积越多。
Skill层（可执行技能）：基于Wiki中的模式，生成或更新Agent的技能文件。技能可以回滚——如果新技能在验证集上表现更差，就恢复旧版本。
这三层的关系很清晰：Raw提供素材，Wiki提供洞察，Skill提供行动力。
四步循环：进化流水线
WikiSkill不是一个静态系统，而是一个持续进化的循环：
Step 1 — 推理Agent：注入当前技能，在训练集上执行任务，把所有轨迹写入Raw层。
Step 2 — Wiki维护者：采样Raw层的轨迹，做根因分析——失败的任务为什么失败？成功的任务用了什么策略？把发现写入Wiki层的模式页面。
Step 3 — 技能提议者：读取Wiki中的模式、Raw中的轨迹、当前的技能，提出技能更新方案。它不是盲目修改，而是基于证据的推理。
Step 4 — 门控与回滚：在验证集上测试新技能。如果表现更好，更新Skill层；如果更差，回滚并记录失败原因到Wiki。
然后进入下一轮迭代。
最让人惊讶的发现
论文中最有冲击力的实验结论：
小模型+进化技能 > 大模型无技能。这意味着技能进化是一种”算力民主化”——不需要最大的模型，只需要最好的技能。
技能可以跨模型迁移。在一个模型上进化的技能，换一个完全不同的模型家族也能用。甚至其他模型进化的技能，可能比自己进化的还好用。
Wiki本身就是知识资产。即使不生成技能，光是Wiki中积累的模式就有独立价值。这验证了一个直觉：过程比结果重要，思考的沉淀比执行的记录更有价值。
跟Karpathy的LLM-Wiki一脉相承
WikiSkill明确引用了Andrej Karpathy提出的LLM-Wiki概念：让Agent把经验存为持久化的Markdown页面，持续编辑、持续积累。
WikiSkill把这个想法工程化了：不是简单地存原始对话，而是编译——把散落在轨迹中的洞察，提炼、泛化、结构化为可复用的模式。
这个”编译”的比喻很精准：原始轨迹是源代码，Wiki是编译后的库，Skill是打包好的可执行文件。
对我们的启示
这篇论文对AI Agent架构设计有三个重要启示：
第一，知识管理要分层。不要把原始数据和提炼后的知识混在一起。Raw层保证可追溯，Wiki层保证可复用，Skill层保证可执行。
第二，进化需要验证。不能盲目更新技能，必须有门控机制。验证集可以是benchmark，也可以是历史失败案例的回放。
第三，知识累积是核心竞争力。Wiki层”永不重置”的设计理念很关键。每一次迭代都在前一次的基础上累积，这才是真正的自我进化。
论文信息
- 标题: WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
- 作者: Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu Vu
- 机构: Google Research, Virginia Tech
- 论文下载: https://xget.xi-xu.me/arxiv/pdf/2608.27454
- arXiv: https://arxiv.org/abs/2608.27454
发表回复