WikiSkill：智能体如何从经验中进化 SKILL.md

WikiSkill 是一种技能进化架构。它先把智能体执行轨迹整理为持久证据，再据此提出并验证可复用技能的修改。论文在五项基准上的平均结果显示，使用 WikiSkill 的 Qwen-3.5-9B 得分为 47.4%，而未使用技能的更大模型 Qwen-3.6-27B 为 39.4%。整个过程没有微调模型权重。

研究日期：2026 年 9 月 19 日。主要来源是由 Google Research 与 Virginia Tech 相关研究者发布的 arXiv 预印本，并非经过同行评审的生产研究。它的重要性在于：智能体经验可以成为外部、可检查、可回滚的软件资产，而模型规模并不是唯一升级路径。WikiSkill 论文与作者记录

本文只覆盖一个明确搜索意图：WikiSkill 论文究竟证明了什么，以及如何把持久 Wiki 架构用于 SKILL.md 进化。关于 Agent Skills、MCP、RAG 与 Custom GPTs 的类别区别，请查看Agent Skills 对比指南。关于不含优化器 Wiki 的跨模型手册迁移，请查看智能体知识迁移指南。企业知识库属于另一个问题，可参考面向 AI 的企业 Wiki 指南。

什么是 WikiSkill？

WikiSkill 是面向程序化智能体技能的外循环优化器。任务智能体先使用当前技能运行样本。Wiki Maintainer 将成功与失败轨迹整理为长期模式。Skill Proposer 阅读这些模式，并且每次只提出一个技能变更。只有候选版本在保留的验证任务上提高成绩，验证门才会接受它。

关键设计是分层。原始轨迹保留为证据。Wiki 累积记录什么有效、什么失败、哪些修改已经被拒绝。活跃技能则保持精炼，只承载执行所需的已发布流程。当某次修改失败时，技能回滚到上一版，但 Wiki 不会清空，因此优化器无需重新发现同一个失败。

这与“每次出错后让 LLM 重写提示词”不同。WikiSkill 拥有审计轨迹、独立验证集，以及生命周期不同的两类记忆：可回滚的执行说明与持续积累的学习历史。

WikiSkill 的三层架构如何工作？

论文把工作区分为 raw/、wiki/ 与 skills/。推理智能体执行任务时可以读取活跃技能，但不能直接读取 Wiki。Maintainer 与 Proposer 可以检查原始证据和 Wiki。这一限制很重要，因为消融实验显示，让任务智能体直接访问 Wiki 反而降低最终技能质量。

每轮迭代都遵循受控顺序：运行训练任务、抽取成功与失败样本、更新 Wiki、提出一次原子化创建或补丁、在验证任务上运行候选版本，然后只接受严格改进。论文最多执行八轮进化，并以三次独立完整运行的平均结果作为报告值。WikiSkill 完整方法、结果表与限制

这里的“Wiki”并不是面向用户的 RAG 语料库，也不是存放全部文档的仓库。它是优化器记忆：包含简洁的根因模式、支持轨迹、候选补丁与接受结果，使下一次修改可以建立在累计证据上。

WikiSkill 在五项基准上表现如何？

WikiSkill 在每个测试模型上都取得最高平均分，并比最强的既有技能进化方法高出 3.3 至 12.0 个百分点。五项任务分别覆盖近期数学推理、网页搜索、电子表格操作、长上下文文档问答和交互式环境任务。

收益并不均匀。Qwen-3.6-27B 在 SpreadsheetBench 上提升 40.9 分，但在 OfficeQA 上只提升 11.6 分。Qwen-3.5-4B 在 OfficeQA 上还出现轻微下降，因为它难以稳定执行技能中编码的长上下文搜索流程。因此，可靠结论不是“技能永远有效”，而是经过验证的程序知识改善了大多数模型与基准组合，但复杂技能能否被正确执行仍取决于模型和任务。

作为研究实验，它的比较方式较为严格：所有方法都从空技能集开始，最终技能直接注入推理提示，并使用配对 bootstrap 检验显著性。但这仍是基准研究，不能直接证明任意生产智能体都会降低成本、延迟或错误率。

9B 模型真的击败了 27B 模型吗？

在论文报告的五项基准平均值上，是的，但必须保留限定条件。使用 WikiSkill 的 Qwen-3.5-9B 平均为 47.4%，未使用技能的 Qwen-3.6-27B 为 39.4%。两者都属于 Qwen 系列，但版本不同，规模也不同。该实验并没有证明任何 9B 模型搭配任意技能都能在所有工作负载上超过所有 27B 模型。

它证明了一个更具工程价值的事实：模型能力与程序上下文是两条独立杠杆。较小模型如果获得经过测试的说明，可能超过每次都要重新发现流程的较大模型。同时，技能进化与模型扩展并不冲突。27B 模型从 WikiSkill 获得最大提升，增加 23.9 分至 63.3。

在把更大模型设为默认方案前，应冻结同一套评估数据并比较四条路径：当前模型无技能、当前模型使用人工技能、当前模型使用进化技能、较大模型无该技能。衡量通过验收的结果，而不是只看 Token 单价。一次便宜调用如果导致重试和人工修复，仍然可能更贵。

进化技能能在模型之间迁移吗？

很多情况下可以，而且其他模型进化出的技能有时优于接收模型自己的技能。在 SpreadsheetBench 上，Qwen-3.5-9B 无技能时为 24.3，使用自进化技能时为 33.6，使用 Qwen-3.6-27B 进化的技能时达到 50.5。在 ALFWorld 上，同一接收模型从自进化技能的 63.4 提升到 27B 技能的 70.2。

负迁移同样重要。可移植技能必须编码通用流程，而不是针对某个模型习惯的补丁。每次迁移都应视为新版本：重新运行接收模型的评估套件，与无技能和自进化技能比较，只要关键分组退化就拒绝导入，即使技能文本看起来很合理。

这与从前沿模型向低成本模型迁移知识的模式互补。WikiSkill 增加了持久优化历史与验证循环，而不是简单把一个模型的笔记交给另一个模型。

为什么持久 Wiki 是主要增益来源？

最清晰的消融实验隔离了 Wiki 的贡献。Gemini-3.5-Flash 在 Skill Proposer 无 Wiki 访问时，四项基准平均为 48.7%。让 Proposer 访问持久 Wiki 后，成绩提升至 63.7%，增加 15.0 分。如果推理智能体也直接访问 Wiki，成绩反而降至 60.9%。

这个结果支持清晰的架构边界：

• 执行层只接收已发布技能。任务智能体必须证明技能本身足以完成工作。
• 优化层接收完整证据历史。Proposer 需要重复失败、成功策略、被拒绝的差异和验证结果。
• 发布继续受验证门控制。看似合理的修改只有在保留指标上改进后，才能成为生产说明。

如果没有 Wiki，优化历史容易消失在对话与临时轨迹批次中。持久 Wiki 把“我们已经试过”变成可检查状态，也减少重复的错误提案。论文案例先记录一个被拒绝的循环修复，再利用保留证据在下一轮创建被接受的规则，并在后续继续细化。

WikiSkill 论文没有证明什么？

这篇论文足以支持实验，但不足以支持盲目上线。作者列出的限制定义了几个关键边界。

• 没有测试技能检索。活跃技能被直接注入系统提示。研究隔离了技能质量，但没有证明技能库扩大后如何选择正确技能。
• 严格改进会阻止中间步骤。每个被接受补丁都必须立即超过最佳验证分。短期中性但能支持后续收益的重构会被拒绝。
• Wiki 只增不减。当前没有自动剪枝、冲突淘汰或证据老化机制。
• 没有超长周期任务。测试包含多步工具与长文档，但没有持续数百次动作或数小时的工作流。
• 小验证集可能产生噪声。各基准验证集只有 10 至 40 个样本。生产门需要更具代表性的切片和重复运行。
• 没有完整成本核算。优化器增加任务运行、Maintainer 调用、多轮 Proposer 工作与验证。分数更高不代表系统一定更便宜。

研究还保持其他 Harness 组件不变。工具契约、模型路由、权限、记忆、上下文装配和运行时可观察性仍需独立设计。可通过智能体 Harness 工程控制这些边界；当单一分数无法代表完整正确性时，可采用独立验证器模式。

团队应如何试点 WikiSkill 式进化？

先选择一个可以独立评分的重复任务。Agent Skills 规范把 SKILL.md 定义为技能目录中的必需说明文件，frontmatter 中包含名称与描述，并可附加脚本或资源。这个文件系统契约适合作为进化技能的版本化发布单元。Agent Skills 规范

不要只针对几个漂亮案例优化。Agent Skills 评估指南建议同时测试技能触发和输出质量，并为每个案例定义预期结果。WikiSkill 式进化还应增加回归切片、对抗任务和 Proposer 永远不可见的冻结最终测试集。Agent Skills 评估指南

安全必须进入优化循环。被投毒的检索文档、被入侵的工具输出或恶意训练任务，都可能被编译为长期说明。SkillJack 表明，经验生成的技能可以在原始投毒来源消失后继续保留后门。应标注不可信内容，为每个模式保存来源，在沙箱中运行候选版本，审查权限与网络行为变化，并禁止同一模型同时提出和批准高影响能力扩展。关于持久技能投毒的 SkillJack 预印本

我们的智能体评估与沙箱安全清单覆盖外围测试控制。Wavect 的AI 智能体工程服务可以把一个重复工作流转化为轨迹、Wiki、技能与发布流水线。上线前请使用软件 QA 清单，也可以把工作流与当前失败轨迹发给我们。

我们的结论：先进化流程，再替换模型

WikiSkill 最有价值的思想并不是让智能体编辑 Markdown，而是为程序改进建立独立证据架构。轨迹保存发生了什么。持久 Wiki 汇总重复根因和失败干预。精炼技能只把已发布流程带入执行。验证决定流程是否升级。

基准标题确实成立：带进化技能的 9B Qwen 在研究平均值上超过无技能的 27B Qwen。更深层结果是，大模型从技能中获得更大提升，跨模型迁移有时有效，持久 Wiki 对增益贡献显著。技能不是模型质量的替代品，而是第二条扩展轴。

生产团队的下一步应可测量：选择一个重复任务，冻结评估集，版本化当前 SKILL.md，保留不可变轨迹，只提出原子补丁，并且只发布已证明的改进。在把更大模型设为每次失败的默认答案前，先验证这条路径。