1
0今天的这篇的主题是： WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。
如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。
联系小助手微信：eccstartup（加群/投稿论文）
Summary
智能体技能（Agent Skills）将专业知识和工作流封装为可复用的资源，以扩展 AI 智能体的能力。近期研究开始从智能体的执行经验中自动发现此类技能，使智能体能够通过交互逐步适应环境。然而，指导技能开发的洞察通常分散在优化历史记录中，限制了这些知识在多轮迭代之间的系统性复用。
我们提出了 WikiSkill，一个能够让智能体技能与持久化知识库（Wiki）协同演化的框架。从整体上看，WikiSkill 将原始执行经验、累积知识和可执行技能分离，同时持续将执行经验整合到 Wiki 中，使后续的技能更新能够建立在已有知识的基础之上。
在多种基准测试和模型上的实验表明，WikiSkill 的表现始终优于当前最先进的技能演化方法，并且在大多数模型与基准测试组合中，相比不使用技能的基线取得了性能提升。
我们发现，技能演化与模型规模扩展具有互补性：更大规模的模型通常能够从演化后的技能中获得更多收益，而配备技能的小模型甚至可以超越规模大得多、但未配备技能的模型。
我们还发现，演化后的技能能够有效地在不同模型及模型家族之间迁移，而且由其他模型演化出的技能，其表现甚至可能优于模型自身演化出的技能。
最后，消融实验进一步证实，在 Wiki 中持续积累知识是实现有效技能演化的关键。
这些结果表明，通过系统性地积累和提炼智能体的执行经验，可以有效促进可复用、可迁移技能的开发。
原文链接：arxiv.org
