Google 搞出的这个 WikiSkill 框架有点意思

现在的 AI Agent 最大的问题就是“间歇性失忆”，每次跑任务都像个没见过世面的新手，犯同样的错能犯好几遍。Google Research 这次出的 WikiSkill 逻辑很直白：既然模型参数改不动，那就给它挂个“维基百科”式的外部记忆库。

这个框架的核心思路不是让模型死记硬背，而是让 Agent 在完成任务后，自动把这次的成功经验和失败教训总结成文档，存进一个类似 Wiki 的结构里。下次再遇到类似的逻辑或者报错，它会先去这个“知识库”里检索一下，看看上次是怎么掉坑里的。

我看了下它的实测表现，有几个点挺硬核的：

• 错误驱动的学习： 它特别强调了对“失败案例”的记录。很多 RAG 或者记忆方案只存正确答案，但 WikiSkill 会专门记下“路径 A 走不通，因为触发了 XXX 限制”，这种负面反馈对 Agent 避坑非常有效。
• 小模型逆袭： 这是最让我意外的。虽然大模型本身逻辑强，但配合 WikiSkill 后，一些参数规模较小的模型，在特定任务上的表现居然能跟没用这个框架的大模型掰掰手腕。这说明通过这种结构化的“经验积累”，可以极大地弥补模型原生推理能力的不足。
• 知识的持续演进： 随着 Agent 跑的任务越来越多，这个 Wiki 库会越来越厚，Agent 也会从“只会执行指令”进化到“自带避坑指南”的状态。

这种把经验沉淀为结构化知识的做法，其实很像人类写技术文档或者复盘笔记的过程。如果以后这种框架能大规模集成到像 LangChain 或者 AutoGPT 这种工作流里，Agent 的可靠性估计会有一个质的飞跃。