谷歌推出 WikiSkill：為 AI 代理打造持續性知識庫

谷歌研究團隊近日發表 WikiSkill 框架，首次將 AI 代理（agent）與永續的知識庫結合。傳統上，代理在每次執行任務後所學的經驗會被遺棄，無法累積。WikiSkill 則把失敗與成功的案例以類似維基（wiki）的結構保存，並轉化為 Agent Skills——可重複使用的模組，讓代理在未來的執行中自行參考、改寫指令。

三層結構的知識管理

Raw Layer（原始層）
- 記錄完整的執行痕跡，包括工具呼叫、返回結果等，資料不可變更，作為原始素材。
Wiki Layer（維基層）
- 從原始層提煉出結構化的洞見，例如失敗模式與成功策略。此層不會被重置，隨每次迭代持續增長。
Skill Layer（技能層）
- 保存代理在執行任務時實際遵循的程序指令。若新指令導致效能下降，可回滾至先前版本；但維基層的知識仍保留，供未來參考。

執行流程為：代理使用當前技能完成任務 → Wiki Maintainer 分析痕跡、寫入維基 → Skill Proposer 依據維基與新痕跡提出技能調整 → 門檻機制在驗證集上測試，若未提升效能則回滾技能，維基仍保留失敗記錄。

實驗結果與效能提升

研究者在五大基準測試（數學推理、網頁搜尋、試算表操作、文件問答、虛擬環境互動）上驗證 WikiSkill。使用的模型包括 Qwen（4B、9B、27B 版）、Gemma‑4‑31B 與 Gemini‑3.5‑Flash。結果顯示，WikiSkill 持續領先 以往的技能演化方法：

Gemini‑3.5‑Flash 的整體表現由 49.5 % 提升至 68.1 %。
Qwen‑3.6‑27B 從 39.4 % 提升至 63.3 %。

在單項基準上，提升幅度更為顯著，例如 Gemini‑3.5‑Flash 在 LiveMath 測試中從 33.0 % 飆升至 72.6 %。

背後的理念與未來展望

WikiSkill 的概念受到 Andrej Karpathy 「LLM Wiki」的啟發，主張將 AI 的經驗彙編成永續、可累積的知識。雖然代理本身仍未具備真正的持續學習能力（continuous learning），但透過自動化的知識寫入與技能更新，已展現出 實用的替代方案。未來若能結合更精細的錯誤分析與跨模型共享的維基，或許能縮小「持續學習」與「一次性訓練」之間的鴻溝。

對於產業與開發者而言，WikiSkill 提供了一條 可追溯、可回溯 的改進路徑，讓 AI 系統在部署後仍能透過累積的實務經驗逐步優化，降低重新訓練的成本與風險。隨著更多模型加入此框架，期待看到更廣泛的應用場景——從客服機器人到自動化資料分析，都能受惠於這座「永恆的維基」所帶來的知識沉澱。