### [WikiSkill – 让AI Agent技能持续进化的持久知识架构](https://www.zuoshipin.com/)

**Published:** 2026-09-01T06:51:53

**Author:** 天才交易员

**Excerpt:** Google Research 提出的Agent技能进化框架，用三层知识架构把执行轨迹沉淀为持久Wiki，并通…

**一句话点评：**WikiSkill 是 Google Research 提出的 Agent 技能进化框架，通过“原始轨迹—持久知识—可执行技能”三层结构，让智能体把一次性执行经验沉淀为可复用、可追溯的技能。

![WikiSkill 研究概览](https://admin.zuoshipin.com/wp-content/uploads/2026/09/a937527b-a5ac-11f1-9243-fa163e47d677.webp)

WikiSkill 将 Agent 经验编译为持续积累的知识。

## WikiSkill 是什么

WikiSkill 面向需要长期优化技能的 AI Agent 系统。它不直接更新模型参数，而是在 Agent 工作区加入持久 Wiki，把成功策略、失败模式、提案差异和验证结果保留下来，再据此生成或修改技能文件。

## 三层知识架构

-   **Raw Layer：**保存不可变的执行轨迹、工具调用、结果与最终答案。
-   **Wiki Layer：**将轨迹整理为模式页面、进化日志和技能影响记录。
-   **Skills Layer：**保存当前生效的 SKILL.md，并用 PURPOSE.md 记录每项技能为何存在。

## 核心进化循环

Inference Agent 先用当前技能执行任务；Wiki Maintainer 从成败轨迹中提炼知识；Skill Proposer 基于 Wiki 提出技能补丁；验证门控只接受能提升分数的修改。技能可回滚，但 Wiki 中的经验不会被清空。

## 研究亮点

-   在五个基准和五个模型上对比无技能及多种技能进化方法。
-   小模型结合进化技能，在部分设置中可以超过更大的无技能模型。
-   技能可跨模型、跨模型家族迁移，有时由更强模型发现的技能更容易被小模型执行。
-   Wiki 让被拒绝的修改也成为后续迭代的可查询经验。

## 适合人群

适合研究 AI Agent、Skill 系统、智能体记忆、工具调用、自动评测和持续优化的开发者、研究人员及技术团队。当前主要是研究框架与方法论，并非面向普通用户的一键式商业产品。

## 使用提醒

论文实验直接注入有效技能，没有覆盖大规模技能库中的检索与触发问题；持续增长的 Wiki 也尚缺少自动裁剪机制。将其用于生产环境时，还需要补充权限、日志脱敏、成本控制、回归测试和知识生命周期管理。



---