WikiSkill 运营中

WikiSkill 是 Google Research 推出的 Agent 技能进化框架。框架通过三层架构，存储原始轨迹的 Raw Layer、持续积累结构化知识的 Wiki Layer、以及存放可执行技能的 Skills Layer，让 Agent 经验沉淀为持久知识，再从中生长出可复用技能。每轮迭代中，Wiki Maintainer 分析轨迹更新知识库，Skill Proposer 基于知识提出技能更新，经验证后接受或回滚。实验表明，9B 模型加 WikiSkill 可超越 27B 裸模型，且技能可跨模型迁移。

三层知识分离：将原始轨迹、结构化知识与可执行技能分三层存储，各司其职。
技能自主进化：通过迭代循环让 Agent 技能从经验中持续生长和优化。
持久知识积累：Wiki 层跨迭代持续沉淀，拒绝的技能不丢失已积累的知识。
跨模型迁移：进化后的技能可在不同模型甚至不同模型家族间复用。
验证门控过滤：候选技能经验证集评估，仅接受能提升性能的更新。

三层架构：Raw Layer 永久存储不可变的执行轨迹，作为事实依据；Wiki Layer 将轨迹编译为结构化模式与进化日志，持续积累且永不回滚；Skills Layer 存放当前生效的可执行技能，支持条件更新与回滚，通过 PURPOSE.md 实现技能溯源。
四步进化循环：Inference Agent 用当前技能在训练集上执行并产出轨迹；Wiki Maintainer 采样轨迹做根因分析，更新 Wiki 的模式目录与日志；Skill Proposer 用 ReAct 方式读取 Wiki 和轨迹，提出单次技能创建或补丁；Gating 机制在验证集上评估候选技能，分数提升则接受，否则回滚技能（Wiki 不受影响）。
知识持久化设计：Wiki 层通过 skill-impact.md 记录每次提案的 diff、验证分数与接受/拒绝结果，形成客观审计轨迹，使后续 Proposer 能避免重复失败方案，实现跨迭代的知识复利。
技能发现与执行分离：实验表明技能发现（从经验中提炼策略）和技能执行（在推理时应用策略）是两种不同能力，WikiSkill 进化的技能可跨模型迁移，甚至其他模型进化的技能优于模型自身进化的技能。

初始化工作空间：创建 raw/、wiki/、skills/ 三层目录，从空技能集开始。
执行训练 rollout：Inference Agent 用当前技能在训练集上运行，产出执行轨迹写入 raw/。
更新知识库：Wiki Maintainer 采样成功/失败轨迹做根因分析，在 wiki/patterns/ 创建或更新模式文件，并追加 logs.md 和 skill-impact.md。
提出技能更新：Skill Proposer 读取 Wiki 索引、历史影响记录和原始轨迹，用 ReAct 方式提出单次技能创建或补丁。
验证与门控：候选技能在验证集上评估，分数提升则接受为新的 skills/。
循环迭代：重复上述步骤直到验证性能收敛或达到预设迭代次数，最终获得进化后的技能集用于推理。

持久知识复利：Wiki 层跨迭代持续积累，技能被拒绝时知识不丢失，后续更新可复用全部历史洞察。
知识技能解耦：将”知道什么”与”怎么做”分离，技能可回滚而知识永续，避免经验随技能补丁一同丢失。
小模型逆袭大模型：Qwen-3.5-9B 加 WikiSkill 即可超越 Qwen-3.6-27B 裸模型，用知识弥补规模差距。
跨模型迁移复用：进化技能可跨模型家族迁移，其他模型发现的策略有时优于模型自身进化的技能。
避免重复踩坑：skill-impact.md 完整记录提案历史与拒绝原因，Proposer 不再重复已失败的方案。

arXiv技术论文：https://arxiv.org/pdf/2608.27454

智能办公自动化：处理复杂 Excel 公式计算、数据清洗与跨表格关联，Agent 通过进化掌握”先 recalculate 再读取”等电子表格专用工作流。
长文档智能问答：在数百页 PDF/Word 文档中执行多步检索导航，进化出的搜索技能可指导 Agent 高效定位关键段落，避免长上下文迷失。
数学推理与解题：将竞赛级数学题的解题经验沉淀为可复用策略，持续提升解题准确率。
网络信息检索：优化多轮搜索流程，进化出”关键词扩展 → 多源交叉验证 → 信息整合”的标准操作程序，提升复杂查询的召回与准确性。
交互式具身任务：在虚拟环境中执行多步骤物理操作，通过沉淀”避免重复动作循环””检查任务完成状态”等模式，提升任务成功率。