WikiSkill – 谷歌推出的 Agent 技能进化框架
WikiSkill 最近在 AI 工具圈讨论挺多。把它和同类放一起比一比，看看你该不该上车。
WikiSkill是什么
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。
和同类工具横评
| 维度 | WikiSkill | 同类通用方案 |
|---|---|---|
| 核心定位 | 谷歌推出的 Agent 技能进化框架 | 通用 AI 能力 |
| 上手成本 | 低（官网/开源即可） | 视具体工具 |
| 部署方式 | 以官方平台为主 | 视具体工具 |
| 适合人群 | 开发者 / 爱好者 | 视具体工具 |
功能细节
WikiSkill是什么
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。
WikiSkill的主要功能
- 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。
WikiSkill的技术原理
- 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。
如何使用WikiSkill
- 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。
WikiSkill的核心优势
- 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。
WikiSkill的项目地址
- arXiv技术论文：https://arxiv.org/pdf/2608.27454
WikiSkill的同类竞品对比
| 对比维度 | WikiSkill (Google Research) | SkillOpt (Microsoft Research) |
|---|---|---|
| 核心思想 | 在经验与技能之间增加持久知识层（Wiki），知识持续积累，技能从知识中生长 | 将技能文档视为可训练的外部状态，用深度学习风格的优化器迭代更新 |
| 知识管理 | 三层架构分离：Raw → Wiki → Skills；Wiki 永不回滚，支持跨迭代知识复利 | 单技能文档作为训练状态，无独立持久知识层，依赖拒绝编辑缓冲区和元指导 |
| 进化机制 | Wiki Maintainer 做根因分析并更新结构化知识库，Skill Proposer 从知识中提出更新 | 六阶段 ReflACT 流水线：Rollout → Reflect → Aggregate → Select → Update → Evaluate |
| 编辑策略 | 增量补丁编辑（创建/修改技能），每次原子性提案只针对单个技能 | 结构化 add/delete/replace 编辑，引入编辑预算作为文本学习率 |
| 验证门控 | 验证集严格提升则接受，否则回滚技能（Wiki 不受影响） | 验证集严格提升则接受，拒绝编辑存入缓冲区作为负反馈 |
| 跨模型迁移 | 明确验证：技能可跨模型家族迁移，其他模型进化的技能优于自进化 | 支持跨平台迁移（Codex ↔ Claude Code），无需重新训练 |
WikiSkill的应用场景
- 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。
什么时候选它，什么时候选别的
如果你要的是「谷歌推出的 Agent 技能进化框架」、想快点跑通，WikiSkill 值得试；如果要的是更通用或已深度集成的工作流，先看手头已有的工具是否够用，别为了新鲜感反复切换。
常见问题
WikiSkill是什么，主要解决什么问题
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。
WikiSkill开源吗
本文介绍版本以官方开源/开放说明为准，具体许可与部署方式见官网文档。
WikiSkill怎么上手 / 怎么用
访问官网或对应平台（文内链接）注册或下载即可体验；开源版本按官方仓库说明本地部署，消费级显卡大多能跑。
WikiSkill和同类工具比，选哪个
WikiSkill侧重「谷歌推出的 Agent 技能进化框架」；选哪个看你是个人尝鲜还是企业落地，建议先试免费或开源版再决定。
WikiSkill适合谁用，不适合谁
适合想快速体验新能力、做原型或本地部署的开发者与爱好者；涉及生产级稳定性、合规审计的场景，先评估再上车，别直接当关键链路。
评论(0)