论文页面 - WikiSkill：将智能体经验转化为持久知识以实现技能演进

来源：https://huggingface.co/papers/2608.27454

摘要

WikiSkill 通过协同演化可复用的智能体技能与持久化知识库，系统性地积累经验并提升跨模型性能。

智能体技能（https://huggingface.co/papers?q=Agent%20skills）将专业知识与工作流程封装为可复用的资源，从而扩展人工智能智能体的能力。近期研究已能从智能体交互经验中自动发现此类技能，使智能体得以通过交互逐步适应环境。然而，指导技能开发的洞见通常分散在优化历史中，限制了其在迭代过程中的系统性复用。我们提出 WikiSkill（https://huggingface.co/papers?q=WikiSkill），该框架协同演化智能体技能（https://huggingface.co/papers?q=agent%20skills）与持久化知识库（https://huggingface.co/papers?q=persistent%20knowledge%20base）（即 Wiki）。整体而言，WikiSkill（https://huggingface.co/papers?q=WikiSkill）将原始执行经验、累积知识与可执行技能分离，并持续将经验固化至 Wiki 中，供后续技能更新构建使用。在多样化的基准测试与模型实验中，WikiSkill（https://huggingface.co/papers?q=WikiSkill）始终优于当前最先进的技能演进方法，并在大多数模型-基准测试组合中相比无技能基线取得显著提升。我们发现技能演进（https://huggingface.co/papers?q=skill%20evolution）与模型规模扩展具有互补性：更大的模型通常能从演化技能中获益更多，而配备了技能的小模型则能超越未配备技能的大模型。同时，演化后的技能可跨模型及模型家族有效迁移，其他模型演化的技能甚至可能超越自演化的技能。最终，我们的消融研究（https://huggingface.co/papers?q=ablation%20studies）证实 Wiki 中的持久知识积累对于实现有效的技能演进（https://huggingface.co/papers?q=skill%20evolution）至关重要。这些结果表明，系统性地积累与优化智能体经验对于开发可复用、可迁移的技能具有显著优势。

查看 arXiv 页面（https://arxiv.org/abs/2608.27454）查看 PDF（https://arxiv.org/pdf/2608.27454）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2608.27454）

在你的智能体中获取此论文：

hf papers read 2608\.27454

尚未安装最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型

0

暂无关联本文的模型

在模型 README.md 中引用 arxiv.org/abs/2608.27454 即可从本页链接。

引用本文的数据集

0

暂无关联本文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2608.27454 即可从本页链接。

引用本文的空间

0

暂无关联本文的空间

在空间 README.md 中引用 arxiv.org/abs/2608.27454 即可从本页链接。

包含本文的收藏

0

暂无包含本文的收藏

将本文添加至收藏（https://huggingface.co/new-collection）即可从本页链接。