WikiSkill：将智能体经验编译为持久知识，驱动可验证的技能演化

术语约定

为提高中文可读性，正文优先使用“智能体、技能、执行轨迹、任务执行、持久知识库、验证门控”等中文名称；模型名、文件名、变量名与 ReAct、SKILL.md、PURPOSE.md 等实现标识保持原文。首次出现时保留必要英文，后文不再重复翻译。

论文定义数据集 D={(x_i,y_i)}，划分为互不重叠的 D_train、D_val、D_test。Agent π 配备工具集 U 与 当前有效技能集合 S，执行得到 trajectory τ_i=(o_1,a_1,...,o_T,a_T)，最终通过 领域特定评分函数 f(ŷ_i,y_i)∈[0,1] 评分。

论文真正新增的中间知识层

已有技能演化方法也会执行训练任务、分析轨迹、提出技能更新并进行验证门控。WikiSkill 的关键差别是：把“已经学到的东西”维护成一个独立、持续演化的知识表示，而不是只散落在 提议历史、轨迹局部经验 或 优化器反馈 中。

第 k 轮，推理智能体 使用 S_{k-1} 执行训练任务。论文把所有 active skill 的完整内容直接注入 系统提示词，而不是进行技能检索 / 触发。这样做是为了隔离“技能本身质量”，避免检索失败成为混杂变量。

Wiki 维护智能体 接收当前完整 Wiki context W_{k-1} 与从本轮训练轨迹中抽样的 T_sample,k。它要对失败任务做 根因分析，对成功任务提取有效策略，并增量创建/修改 wiki/patterns/，同时更新索引与演化日志。

Proposer 的输入在公式上是 M_P(W'_k, S_{k-1}, T_train,k)。为避免长执行历史耗尽上下文窗口，它一开始不会获得全部原始轨迹，而是先获得 Wiki 索引、skill-impact.md、全训练任务的简洁 结果摘要，并在 ReAct 过程中用 read_file 主动读取相关 pattern 与 原始轨迹。

模型包括 Qwen-3.5-4B/9B-Instruct、Qwen-3.6-27B、Gemma-4-31B-It 与 Gemini-3.5-Flash。每种方法的完整技能演化流程独立运行 3 次，表 1 报告 3 组最终技能集合的平均测试表现，并使用 1,000 次配对 Bootstrap 在 p<0.05 下判断显著性/统计并列。

几个显著提升

Gemini-3.5-Flash：LiveMath 33.0 → 72.6，SpreadSheet 50.5 → 76.6；Qwen-3.6-27B：ALFWorld 52.8 → 77.6。

需要特别注意的事实边界

需要特别注意：不能把不同基准任务的结果描述成“同一技能同时提升多个任务”。论文是每个 dataset 分别从空 Skill set 演化，所以跨 基准任务 的数字来自同一 源模型 在不同 基准任务 上生成的对应 skill，而不是同一份 SKILL.md。

Qwen-3.5-4B 在 SpreadSheet 上演化出的技能会让 Gemini-3.5-Flash 从 50.5 降到 18.1；而 Qwen-3.6-27B 在同一任务上演化出的技能则把它提升到 63.4。

被接受的技能更新不只发生在早期

Table 5 把 被接受的更新 分为 Iter 0–1、2–4、5–7。不同模型早期约占 39%–52%，中后期仍有大量接受更新；SealQA 甚至有 33% 在中期、28% 在后期。

论文定义的是 优化器 API 调用复杂度 C。WikiSkill 每个批次需要 1 次 Wiki 维护智能体的大模型调用，技能提议智能体大约运行 10 ≤ T_ReAct ≤ 20 个 turn，因此：

为什么结构化修改契约比“让大模型直接改文件”更重要

Wiki 维护智能体和技能提议智能体都使用受约束的补丁操作（append / replace / insert_after），其中 replace 的目标必须是精确子串；技能提议智能体每次只修改一个技能。这样可以把大模型的文件修改行为变成结构化、可审计的修改契约。

严格贴合论文的最小目录

workspace/
├── raw/
│   └── traces/
│       ├── task_001.log
│       └── task_002.log
├── wiki/
│   ├── index.md
│   ├── logs.md          # 主文命名；Appendix E.2 有 log.md 不一致
│   ├── skill-impact.md
│   └── patterns/
├── skills/
│   └── <skill_name>/
│       ├── SKILL.md
│       └── PURPOSE.md
└── eval/
    ├── train
    ├── val
    └── test

1. 为什么论文把系统状态写成 (S_k,W_k)，而不是只写 S_k？
2. 为什么 skill-impact.md 与 logs.md 的写入者不同？这种分离带来什么审计价值？
3. 为什么训练执行智能体不应访问 Wiki，而技能提议智能体应该访问 Wiki？其中哪些是实验事实，哪些只是作者假设？
4. 为什么 完整技能注入 只是实验控制设置，不能直接当成大规模生产方案？
5. 为什么技能提议智能体至少要读 4 条轨迹？为什么 Wiki 维护智能体每轮最多只采样 8 条轨迹？
6. 为什么 Qwen-3.6-27B 在不同 基准任务 产生的是不同 skill，不能把跨 基准任务 数字描述成“同一 Skill”？
7. Table 1 为什么支持“平均更强”，却不支持“每一个任务都更强”？
8. 为什么 Qwen 系列的增益趋势不能直接上升为严格的缩放定律？
9. Table 7 的 O(1) 到底只计算了什么？没有计算什么？
10. 如果长期运行 1,000 轮，Wiki 的真实性治理、裁剪、检索和验证治理应该如何补齐？

原始论文

WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution

arXiv PDF v1（原始论文）