知识卡片：WikiSkill——将智能体经验编译为持久知识以演化技能

英文标题：WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
英文关键词：WikiSkill; Agent Skills; Skill Evolution; Persistent Knowledge; Knowledge Base; Transferable Skills
原始来源：arXiv:2608.27454v1, https://arxiv.org/abs/2608.27454v1

一句话结论

WikiSkill 提出将智能体执行经验持续沉淀为可复用的持久知识库（wiki），并使技能与知识库协同演化，从而在多种基准与模型上稳定超越现有技能演化方法。

事件概述或研究问题

智能体技能（agent skills）将专门知识与工作流打包为可复用资源，扩展智能体能力；近期工作可自动从智能体经验中发掘技能，使其在交互中逐渐适应。然而，指导技能开发的洞见通常散落在优化历史中，难以跨迭代系统复用。WikiSkill 针对这一问题，提出技能与持久知识库共同演化的框架。

方法/产品要点

• 将原始执行经验、累积知识、可执行技能三者分离。
• 持续将执行经验整合（consolidating）到 wiki 中，后续技能更新可在此基础上构建（build on）。
• 通过“经验→知识→技能”的循环，实现技能与知识库的共同演化（co-evolve）。

主要结果或产业意义

• 在多个基准和模型上，WikiSkill 一致优于最先进的技能演化方法；在大多数模型-基准设置下，也优于无技能基线。
• 技能演化与模型规模互补：较大模型通常从演化技能中获益更多；而带技能的小模型可以超过不带技能的显著更大的模型。
• 演化技能可在不同模型及模型家族间有效迁移；由其他模型演化的技能有时优于自我演化的技能。
• 消融实验确认，wiki 中持久知识的积累对有效技能演化至关重要。

为什么重要

与已有脉络相比，本条目的增量在于：WikiSkill 不只关注“技能如何被发现或更新”，而是明确将“持久知识库”作为技能演化的中介和积累层。这不同于 Recuris 以工作记忆跟踪任务状态并门控更新技能记忆的递归回路，也有别于 Cortex 将操作标准化为技能基元的方向。它提示：要想让智能体长期进化，关键可能不是维护技能本身，而是维护技能背后不断积累的“经验/知识”资产，从而增强技能的可复用性与跨模型迁移性。

局限与不确定性

• 具体基准名称、模型列表、任务类型及数值提升幅度在摘要中未提供，待核实。
• 与已有相关卡片中 Recuris、Cortex、GaP 的直接对比结果，待核实。
• 知识库的构建成本、存储规模、更新频率，以及是否引入额外推理开销或幻觉风险，待核实。
• 文中未说明失败场景与适用范围边界，待核实。

可用于图书/PPT/简报的角度

• 用 WikiSkill 解释“经验资产化”：AI 智能体如何把一次性经验变成可复用知识，再变成可迁移技能。
• 从“记忆 vs 技能 vs 知识”三层分离的视角，讲解智能体自我进化的架构设计。
• 用“小模型+技能 vs 大模型无技能”的比较，讨论技能复用对模型规模依赖的缓解作用。

原始材料

• arXiv: 2608.27454v1
• 标题：WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
• 作者：Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu Vu
• 提交/更新：2026-08-27
• 类别：cs.AI, cs.CL
• 摘要链接：https://arxiv.org/abs/2608.27454v1
• PDF 链接：https://arxiv.org/pdf/2608.27454v1