WikiSkill：让智能体把一次次经验编译成可持续进化的技能

导语

智能体要在长期交互中变得更可靠，不能只依赖模型本身的参数或一次性的上下文。它还需要把任务执行中发现的策略、失败原因和可复用流程保存下来，并在下一轮任务中真正用起来。围绕这一问题，WikiSkill提出了一种“技能与知识库共同进化”的框架，试图解决智能体经验难以沉淀的问题。

从零散经验到持久知识

在许多技能自动发现方法中，智能体会根据执行轨迹生成或修改技能。但指导这些修改的线索通常散落在历史优化记录中：哪些步骤有效、哪些错误反复出现、某种策略适用于什么条件，往往没有被系统整理。因此，后续迭代很难充分利用过去的探索。

WikiSkill将系统拆分为三个层次：

• 原始执行经验：包括任务过程、结果以及相关反馈，是最底层的观测材料。
• 持久化Wiki知识库：持续从经验中提炼规律、方法和适用条件，形成可查询、可积累的知识。
• 可执行技能：把知识转化为智能体可以调用的工作流、提示或操作策略。

关键变化在于，经验不再只用于生成当前版本的技能，而是会被不断汇总进Wiki。后续技能更新可以建立在此前积累的知识之上，从而减少重复试错，也让技能演化拥有更稳定的记忆结构。

研究给出的主要观察

论文在多种模型和基准上比较了WikiSkill与现有技能进化方法。结果显示，WikiSkill整体表现更好，并在大多数模型—基准组合中超过不使用技能的基线。研究还观察到，技能进化与模型规模并非替代关系：更大的模型通常能从进化技能中获得更多收益，但较小模型在获得合适技能后，也可能显著超过没有技能支持的更大模型。

另一个重要结果是技能具有跨模型、跨模型家族迁移的潜力。某个模型产生的技能不一定只能服务于自身，甚至其他模型演化出的技能可能优于模型自己生成的版本。这意味着，技能可以逐渐成为独立于底层模型的可复用资产，而不是某次运行的临时产物。

消融实验进一步表明，Wiki中的持续知识积累是效果的关键。如果只保留技能更新、却削弱或移除知识沉淀机制，进化收益会受到影响。

意义与局限

WikiSkill的价值不只是增加一个“记忆模块”，而是重新划分了经验、知识和执行能力之间的关系：经验负责提供证据，知识库负责组织和压缩，技能负责在任务中落地。这种分层设计为构建长期运行的智能体提供了更清晰的工程路径，也为跨模型共享技能创造了接口。

不过，素材未披露具体基准、模型配置和提升幅度，因此目前更适合将其理解为一种得到实验支持的框架方向，而非对所有任务都成立的普遍结论。实际系统仍需处理知识过时、错误经验累积以及技能适用范围判断等问题。总体来看，WikiSkill提示了智能体进化的一个重要转向：真正可持续的学习，不仅要生成更好的技能，还要建立能够长期保存和整理经验的知识基础设施。

来源：Hugging Face Daily Papers