当前大模型智能体（Agent）的技能（Skill）已经成为拓展Agent工具执行能力的主流方案。Agent技能本质是封装好的可复用工作流、工具调用序列与业务操作模板，让智能体无需每次从零推理复杂任务。
在已有的技能自发现研究中，主流思路是直接从Agent任务执行轨迹提取技能。但这类方案普遍存在一个短板：每一轮迭代只依赖近期的任务样本，历史经验、反复出现的失败模式无法长期保存；经验随迭代周期丢弃，系统难以持续沉淀”机构记忆”，同类错误反复出现。
Google Research发布的WikiSkill框架（arXiv:2608.27454），并没有提出一套覆盖全部Agent技能领域的通用理论，而是针对技能迭代流程提出了一种全新架构范式：将原始执行轨迹、编译后的结构化知识、可执行技能三层解耦，通过循环流水线实现知识库与技能协同进化。这套方案虽然只是单一框架，但其设计思想，对构建通用型Agent Skill系统具备很强的参考价值。
现有的Agent技能发现方法，都是从一批轨迹中直接生成技能。每一轮生成只看最近的轨迹，之前的洞察被丢弃了。重复的模式、反复出现的失败、领域启发式知识，都没有被跨迭代地累积。
WikiSkill的核心创新：把技能进化和持久化知识库（wiki）绑定在一起。技能不是凭空生成的，而是从累积的知识中生长出来的。
WikiSkill不是通用架构，它是专门为技能进化设计的：
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。
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。