WikiSkill：让 AI 智能体把经验沉淀为可复用技能的持久知识库
WikiSkill 提出一个让 AI 智能体在多轮交互中把零散的优化经验编译为持久知识库、并据此持续迭代技能的工作框架，旨在解决现有自动技能发现方法经验碎片化、难以跨迭代系统复用的问题。
结论先行
WikiSkill 的核心思路是把智能体在执行任务过程中产生的经验，从散落在单次优化轨迹中的局部信号，重组为一份可累积、可检索、可复用的持久知识库，并以此驱动技能本身的持续演化。与现有"自动从经验中发现技能"的工作相比，WikiSkill 更强调"经验如何被组织"而非"技能如何被生成"。
事实与出处
根据论文摘要（arXiv:2608.27454v1），WikiSkill 是一个让智能体技能与持久知识共同演化的框架。其背景设定是：当前已有研究能够从智能体交互经验中自动发现技能，使智能体在反复使用中具备渐进适应能力；但支撑技能形成的洞见通常分散在不同的优化历史中，难以在迭代之间被系统化复用。WikiSkill 的关键贡献是把这些分散经验编译为一份持续维护的知识结构，使技能演化建立在累积知识之上。摘要中明确给出的就是这一框架定位与问题陈述，更细粒度的实验设置和评测指标需查阅正文。
我司判断
该方向与近期"智能体经验回流"的研究脉络一致，但侧重点不同：常见方法关心单次任务中学到什么行为，WikiSkill 关心这些学习结果如何被沉淀和复用，因而更接近"智能体外置记忆 / 长期知识库"的范畴。对企业级 AI 应用的潜在价值有两点：一是降低重复试错成本，让历史任务中的失败与成功可以指导后续技能选择；二是为后续的技能审计、知识回滚和能力治理提供基础设施入口。需要注意的是，论文中的"技能"目前仍是研究框架下的概念，与可直接交付的产品能力之间还隔着工程化封装、可控性和评测体系三道关。
局限
摘要仅概述问题与框架设计，未披露数据集规模、基线对比、跨任务迁移率等关键指标；arXiv 编号格式也提示条目可能仍处于预审阶段，正式发表前方法和结论存在变动可能。所谓"持久知识"是否真正解决了知识陈旧、冲突和膨胀问题，也需结合正文与代码进一步验证。