你有没有想过，AI agent执行任务的时候，其实和人类新员工特别像。
第一天上岗，什么都不会，只能靠说明书。做错了事，被骂一顿，第二天可能还犯同样的错。真正厉害的员工，是那种会把踩过的坑记下来，攒成一本小册子，越攒越厚，后面来的新人翻一翻就能少走弯路的那种人。
问题是，现在大部分让AI agent自我进化的方法，压根没有这本小册子。
**当前的技能进化方法把"学到的东西"和"生成的技能"混在一起，用完就扔**
先说说这个领域现在是什么水平。像EvoSkill这类方法，会维护一份"历史提案和评估结果"的记录，但这份记录只是流水账，谁提了什么、有没有通过，仅此而已，没有把里面的知识提炼出来。Trace2Skill会从执行轨迹里提取教训，直接揉进技能更新里，但提炼完的洞察也就用这一次，下一轮又得重新从原始记录里挖。SkillOpt靠"被拒绝的编辑反馈"和"按轮次的元指导"来做优化，同样没有一个独立存在、持续累积的知识层。
打个比方，这就像一个侦探破案破了三个月，每次破案的线索和推理过程都记在案卷里，可案卷归档之后就锁进档案室了，没人整理成"办案手册"。下次遇到类似案子，侦探还得从头翻案卷，凭记忆拼凑当年的推理逻辑，效率低不说，还容易漏掉重点。如果侦探能把每次破案的经验总结成一份不断更新的办案指南，写清楚"什么线索通常指向什么结论"、"哪些推理方向试过是死路"，那第二十个案子破起来就会快得多。
这篇论文的作者们，从一位知名AI研究者Karpathy提出的"LLM Wiki"理念里得到启发。这个理念说的是，与其让经验散落各处，不如把它编译成持久的、会不断复利增长的知识。于是他们提出了一个很直接的问题：能不能让AI agent的经验，也这样被压缩进一个持久的知识库，支撑技能的长期进化？
这就是WikiSkill的起点。
**三层架构：原始记录、知识维基、可执行技能**
WikiSkill的设计思路，是把agent的整个工作空间切成三层。
第一层叫原始层（Raw Layer），存放agent执行任务时留下的完整轨迹，包括它的每一步推理、每一次调用工具、每一次工具返回的结果。这一层是只写不改的，就像法院的庭审记录，一旦形成就不能篡改，任何后续分析都得基于这份原始证据。
第二层是维基层（Wiki Layer），这是整篇论文的核心创新。
> 维基层：一个持续积累的结构化知识库，专门存放从原始执行记录中提炼出来的"模式"（比如某类失败反复出现的原因、某类成功策略为什么有效），以及一份记录着历史上每次技能提案是否被接受的审计日志。
维基层不是简单地把原始记录复制一份，而是经过一层"消化吸收"，把散乱的经验整理成结构化的、可复用的认知。这一层从来不会被重置或回滚，哪怕某次技能更新失败了，维基层里积累的知识依然保留下来。
第三层是技能层（Skill Layer），存放当前正在使用的、可执行的技能文档，也就是agent真正会去读、去照着执行的操作指南。
这三层各司其职，原始层负责"记住发生了什么"，维基层负责"想明白为什么"，技能层负责"该怎么做"。
如果只有原始层和技能层，没有中间的维基层，会发生什么？作者们专门做了一组对照实验来回答这个问题，稍后会详细说。这里先说结论：省掉维基层之后，效果会大幅下滑，因为负责生成新技能的那个模块，每次都得从零开始重新分析原始记录，很难在多轮迭代之间形成连贯的认知积累。
**四个角色的循环协作**
整个WikiSkill的运转，靠四个组件循环配合完成。
第一个是推理agent（Inference Agent），它负责真刀真枪地执行训练任务，读取当前生效的技能，产出执行轨迹。
第二个是维基维护者（Wiki Maintainer），它读取推理agent留下的原始轨迹，加上已有的维基内容，对失败案例做根因分析，对成功案例提炼出可复用的策略，然后更新维基里的模式页面和演化日志。
第三个是技能提议者（Skill Proposer），这是个挺有意思的设计。
> ReAct：一种让语言模型交替进行"推理"和"行动"的工作模式，模型先想一步该做什么，再真的去调用工具执行，看到结果后继续推理下一步，如此反复。
技能提议者不是被动接收一堆预先采样好的记录去分析，而是像一个主动调查的侦探，一开始只拿到维基的索引目录、历史上技能是否被采纳的记录、以及所有训练任务成败的简要摘要，然后自己决定要不要去翻某一页具体的模式文档，要不要去看某一条具体的执行轨迹。这么设计是因为完整的执行历史太长，塞进模型的上下文窗口装不下，让它自己按需检索，比一股脑塞给它更高效。
第四个是门控与回滚机制（Gating and Rollback），负责把技能提议者提出的候选技能拿到验证集上跑一遍，如果验证分数比之前最好的分数高，就接受这次更新，否则就把技能回滚到上一个成功版本。
这里有个关键细节：回滚只回滚技能，不回滚维基。
哪怕这次的技能提案被拒绝了，维基里关于"为什么被拒绝"的记录依然被完整保留下来，供下一轮参考。这就好比公司做产品迭代，一个新功能上线后用户反馈很差，被撤下了，但产品团队不会把这次失败的调研报告也一起销毁，反而会把"这个方向为什么行不通"写进内部知识库，防止下次有人又提出同样的方案重蹈覆辙。如果没有这层记忆，团队很可能会在几个月后因为人员流动，又有人提出一模一样已经被验证过行不通的点子，白白浪费一次试错机会。
**实验结果：WikiSkill全面跑赢现有方法**
论文在五个横跨不同领域的基准测试上做了验证：数学推理（LiveMathematicianBench）、网页搜索（SealQA）、电子表格操作（SpreadsheetBench）、长文档问答（OfficeQA）、以及交互式具身任务（ALFWorld，一个模拟家庭环境里完成"拿起时钟放到架子上"这类多步骤任务的测试）。测试模型覆盖了Qwen系列的4B、9B、27B三个尺寸，加上Gemma-4-31B和Gemini-3.5-Flash。
结果相当亮眼。跟EvoSkill、SkillOpt、Trace2Skill这三个现有最强的技能进化方法比，WikiSkill在五个模型上分别高出3.3到12.0个百分点，而且在几乎所有模型和数据集的组合里都超过了"完全不给技能"的基线表现。
具体到数字，Gemini-3.5-Flash在LiveMath上，从33.0%的裸模型表现，被WikiSkill拉到了72.6%；在SpreadSheet上从50.5%拉到76.6%。Qwen-3.6-27B在ALFWorld上从52.8%拉到77.6%。
对比一下，现有方法的表现就不那么稳定了。EvoSkill在Qwen-9B的LiveMath上能把28.2%拉到58.1%，效果很猛，但换到Gemma-4-31B同一个测试上，反而把33.9%拖到了29.8%，性能不升反降。SkillOpt在Gemini-3.5-Flash的SealQA上，甚至把29.4%降到28.2%。这说明现有方法缺乏一致性，有时候赌对了效果惊人，有时候直接帮倒忙。
**技能进化和模型规模是互补关系，而不是替代关系**
这一点挺出乎意料的。一般人可能会想，大模型本来就聪明，给它技能提升空间应该不如小模型明显吧？
数据恰恰相反。
在Qwen家族里，WikiSkill带来的平均提升幅度，随模型规模变大而变大：4B模型提升12.3个百分点，9B模型提升17.5个百分点，27B模型提升23.9个百分点。在SpreadSheet这个任务上，这个趋势更夸张，三个模型分别提升6.5、9.3、40.9个百分点。
这背后的道理并不难理解。技能是一份操作指南，指南写得再好，也需要有能力去精确执行每一步指令。小模型可能连指南本身都读不透彻，更别说照着复杂的多步骤流程一步不差地走下去。大模型不仅能理解指南，还能更好地把指南和当前具体情境结合起来灵活应对，所以同样一份技能，大模型能榨出更多价值。
但反过来，技能也能让小模型逆袭。Qwen-3.5-9B配上WikiSkill生成的技能，平均准确率达到47.4%，直接超过了没有任何技能加持的Qwen-3.6-27B（39.4%）——一个体量小得多的模型，靠着一份好的操作手册，打赢了体量大它两倍多的模型。
这就像一个刚入职的实习生，手里握着一本前辈们十年攒下来的操作手册，可能比一个天赋异禀但两眼一抹黑瞎摸索的资深员工干得还好。手册里写着的，是无数次踩坑之后总结出来的捷径，天赋弥补不了这种经验的空白。如果没有这本手册，实习生就只能靠自己试错，效率天差地别。
**技能可以跨模型迁移，甚至比自己生成的还好用**
论文还测试了一个更有意思的问题：一个模型（比如Qwen-3.6-27B）进化出来的技能，拿给另一个模型（比如Qwen-3.5-9B）用，效果会怎么样？
结果是，迁移过来的技能经常比模型自己进化出来的技能还要好。Qwen-3.6-27B进化出的技能，用在Qwen-3.5-9B上跑SpreadSheet任务，能达到50.5%，而这个小模型自己进化出来的技能只有33.6%，什么都不给它则只有24.3%。同样，Gemma-4-31B用上Qwen-3.6-27B的技能能在LiveMath上冲到73.7%，自己进化的技能只有56.7%。
更有意思的是，迁移不只是从大模型流向小模型，反过来也成立。Qwen-3.5-4B（一个相对小的模型）进化出的技能，拿给体量更大的Gemma-4-31B用，也能把LiveMath表现从33.9%拉到73.1%，把ALFWorld从50.4%拉到66.9%。
这说明什么？技能的"发现能力"和"执行能力"其实是两码事。有的模型不太擅长自己去总结失败教训、提炼有效策略，但只要拿到别人总结好的策略，执行起来毫不含糊。这就像一个厨艺天赋一般的人，未必能自己琢磨出一道菜的最佳配方，但只要拿到一份写得清清楚楚的菜谱，照着做也能做出一桌好菜。反过来，一个特别会创新菜式的大厨，写的菜谱未必是最适合新手照着做的，因为他默认了太多自己下意识就懂的经验。
不过论文也指出，迁移不是永远稳赚不赔的。Qwen-3.5-4B进化出的SpreadSheet技能，拿给Gemini-3.5-Flash用，反而把它的表现从50.5%砸到18.1%。原因是小模型进化出的技能里，塞满了针对自己能力局限设计的"补丁式"变通做法，比如把复杂操作拆成一行一行的简单Python命令，这些变通对小模型是救命稻草，但对本来就能写出完整脚本的强模型而言，反而变成了束缚，甚至因为过多琐碎的诊断步骤消耗掉了对话预算，导致任务还没做完就"没时间"了。
**最关键的实验：去掉维基层会怎样**
前面提到，维基层是这套框架的核心创新。作者用Gemini-3.5-Flash专门做了一组消融实验，来验证这个设计到底值不值得。
实验设置了四种组合：推理agent训练时能不能看维基，技能提议者能不能看维基。当技能提议者被剥夺维基访问权限时，负责维护维基的那个角色也一并被移除，相当于彻底取消持久知识积累这件事。
结果很清楚。
**当技能提议者拿到维基访问权限后，平均基准表现从48.7%跳升到63.7%，提升了15个百分点，其中LiveMath从51.3%涨到72.6%，SpreadsheetBench从49.9%涨到76.6%。**
没有持久积累的知识，技能提议者面对复杂的失败模式时会显得力不从心，因为它每次都得从零开始重新琢磨"这个错误到底为什么会发生"，缺乏跨轮次的连贯理解。
有个反直觉的发现：如果让推理agent（也就是真正干活的那个agent）在训练阶段也能直接读维基，效果反而下降了，从63.7%掉到60.9%，LiveMath具体从72.6%掉到64.8%。
作者的解释是，如果推理agent训练时既能看技能又能看维基，它可能会绕开技能，直接从维基里"抄答案"，这样产生的执行轨迹就不再能真实反映"技能好不好用"，反而让后续的技能优化失去了准头。
这个发现挺有意思的。它揭示了一个容易被忽略的道理：给一个正在被评估、正在被改进的系统提供过多的"作弊工具"，反而会污染它本该产出的、用来指导改进的反馈信号。就像做产品用户测试，如果测试员知道内部有份完整的操作手册可以随时翻，他就不会真实暴露出"哪里让普通用户容易卡壳"，测出来的数据也就没法真正指导产品改进了。
**技能和维基的具体样貌：一个ALFWorld案例**
论文里有个具体的案例，讲的是Qwen-3.6-27B在ALFWorld上的技能进化过程，挺能说明问题。
第0轮迭代，维基维护者发现了一个基础的循环行为模式，命名为"拿起-检查-放回循环"，agent反复做拿起物品、检查、放回原处这套动作，卡在原地打转出不来。技能提议者据此提了一个叫"目标导向行动"的技能，结果验证集上表现没有提升，被拒绝了。
但这次拒绝没有白费，审计日志把这次提案的具体内容和拒绝原因都完整记了下来。第1轮迭代，技能提议者参考这份记录，提出了一个更具体的技能叫"打破重复循环"，里面写了一条很具体的规则："永远不要把物品放回它原来的位置"，这次通过了。
之后随着更多轮次的执行轨迹积累，维基维护者又发现了新的循环变体，比如"多操作循环"，技能提议者在第4轮又把这条规则细化为"每种操作类型对每件物品只做一次"。
这个案例展示的是一个持续迭代、越改越准的过程，而这个过程之所以能顺利进行，全靠维基把每一步的失败和成功都记录得清清楚楚，让后面的每一次改动都能站在前面的经验之上，而不是原地打转重新摸索。
**技能是怎么长的，攒了多少知识**
论文还统计了不同模型和数据集下，技能文档和维基模式的数量、篇幅变化。
Qwen系列的模型倾向于生成更长的技能文档，平均118.9到128.6行，而Gemma-4-31B和Gemini-3.5-Flash更偏向简洁，分别是45.1行和81.2行。SpreadSheet这个任务产出的技能最长（142.5行），积累的维基模式也最多（9.8条），而LiveMath产出的技能最短（84.6行），维基模式也最少（4.4条）。这大概是因为电子表格操作涉及的错误类型和边界情况更多，需要更细致的记录去覆盖。
另外，技能的打磨不是一次性的事情。论文把技能被接受的时间点分成早期、中期、晚期三个阶段，发现早期只占39%到52%的接受量，剩下相当一部分改动是在中期和晚期发生的，尤其在SealQA这个任务上，中期占33%，晚期还有28%。这说明持续的知识积累，确实支撑了跨越多个轮次的、越来越精细的技能打磨，而不是那种"第一版做完就没什么可改的了"的模式。
Q&A
Q1：WikiSkill是什么？
A：WikiSkill是一个让AI agent技能持续进化的框架，核心创新是加入一个持久的知识库"维基层"，把agent的执行经验先提炼成结构化知识，再据此生成和优化技能，让技能改进能建立在不断积累的认知之上，而不是每次从零分析。
Q2：小模型用了WikiSkill生成的技能，真的能打赢大模型吗？
A：能。实验中Qwen-3.5-9B配上WikiSkill技能后平均准确率达到47.4%，超过了完全没有技能的Qwen-3.6-27B（39.4%），说明好的技能能弥补模型规模上的差距。
Q3：为什么不让执行任务的agent在训练时直接看维基？
A：论文的消融实验发现，这样反而会让最终技能效果变差，因为agent可能绕开技能直接从维基里找答案，导致产生的执行数据不能真实反映技能好不好用，污染了后续优化的反馈信号。
