谷歌 WikiSkill：用持久知识库让 Agent 越用越强
Google Research 发布预印本 WikiSkill，针对长时运行 agent 提出核心思路：模型能力不只依赖权重和不断膨胀的上下文，而是把执行历史沉淀为可维护的知识库，再编译成可复用的 skill 文件。@montymike、@Crescitaly、@tuvllms、@dairai、@SabooShubham、@xiaohu 等多个信源独立报道了该工作。@tuvllms 还转述，论文动机之一是现有 agent 常靠编辑提示词或技能文件改进，但失败后丢弃日志、导致教训丢失，WikiSkill 用日志持久化学习经验。
已确认
- 三层结构：将原始运行记录（执行体验）、累积知识（wiki 形态）与可执行技能分离管理，用持久化 wiki 指导后续技能更新，解决技能演化中的知识遗忘问题。
- 评估规模：在 5 个基准测试和 5 个模型上验证，作者称持续保持优越性能，显著优于当前技能演化 SOTA 方法。
- 小胜大：@montymike 转述，9B 模型配备进化技能后可胜过 27B 模型；@SabooShubham 表述为带技能的小模型能击败 3 倍参数规模的无技能模型；@tuvllms 补充，在 27B 参数模型上平均准确率提升 23（原帖数字标注到此）。
- 消融验证：@SabooShubham 转述，删除 wiki 后性能提升消失，被作者视为 wiki 有效性的证据。
- 跨模型迁移：@Crescitaly 与多个转发帖提及进化出的技能可跨模型家族迁移。
- 规模收益递增：@tuvllms 指出，类似思维链现象，WikiSkill 的收益未随模型规模扩大而递减，反而递增。
- 负面发现：@montymike 转述，弱模型产生的技能会拖垮 Gemini 的表现。
为什么重要
- 持久知识积累被作者视为技能进化的关键，为 agent 从「靠上下文堆经验」转向「靠可维护知识资产」提供可行路径，也让小模型以低成本获得竞争力；收益随规模递增的观察则暗示该路线与大模型并不冲突。
- 跨模型迁移意味着技能可成为独立于具体模型的资产；弱模型技能反噬强模型的现象则提示技能质量控制是落地关键。目前结论均来自预印本作者自述，尚待同行评审与独立复现。
2026-08-30 ~ 2026-09-01 · 11 条相关
一手来源
- Google 论文:WikiSkill 让 9B 模型胜 27B,但弱模型技能会拖垮 Gemini — montymike ·
- 预印本：小模型加进化技能可胜大模型，经验该存什么 — Crescitaly ·
- WikiSkill 论文：将 Agent 经验编译为持久知识 — tuvllms ·
- 【源头】预印本：小模型加进化技能可胜大模型，经验该存什么 — Crescitaly · 2026-08-30
- Google WikiSkill：Agent 技能与知识库协同进化 — tuvllms · 2026-08-31
- 【源头】Google 论文:WikiSkill 让 9B 模型胜 27B,但弱模型技能会拖垮 Gemini — montymike · 2026-08-31
- WikiSkill：将 Agent 经验编译为持久知识以进化技能 — tuvllms · 2026-09-01
- WikiSkill 方法随模型规模扩大收益递增 — tuvllms · 2026-09-01
- 谷歌 WikiSkill 论文：用日志教会 Agent 新技能 — tuvllms · 2026-09-01
- 谷歌研究：Agent 维护知识库可提升能力 — Saboo_Shubham_ · 2026-09-01
- 谷歌 WikiSkill 论文：知识库让 Agent 越用越强 — Saboo_Shubham_ · 2026-09-01