AI 智能体每次从头开始，重复犯错，是当前大模型应用的一大痛点。Google Research 的新框架 WikiSkill，试图用最朴素的方式解决它：给智能体一本“错题本”。
发生了什么
根据 The Decoder 报道，Google Research 发布了 WikiSkill，一个为 AI 智能体提供持久知识库的框架。核心机制是：智能体在每次任务运行后，不再丢弃学到的经验，而是将失败和成功案例以类似 wiki 的结构记录下来，形成可检索的知识库。后续运行时，智能体可以查询这些记录，避免重蹈覆辙，并复用有效策略。
研究还发现，模型越大，WikiSkill 带来的提升越明显，但更值得注意的是，较小的模型配合 WikiSkill，可以达到甚至超过未使用该框架的更大模型的性能。这为资源受限的场景提供了新的可能性。
为什么重要
当前主流大模型（如 GPT、Claude 等）本质上仍是“无状态”的：每次对话或任务执行都是独立的，模型权重在训练后固定，无法从单次交互中学习。虽然可以通过微调或 RAG 注入外部知识，但这些方法成本高、更新慢，且难以捕捉细粒度的操作经验。
WikiSkill 的巧妙之处在于，它把“记忆”从模型参数中剥离出来，放到一个结构化的外部存储中。这类似于人类使用笔记、文档来弥补大脑的遗忘，是一种“外置认知”。这种设计不仅降低了实现门槛，还让经验可以跨会话、跨任务复用，甚至可能跨智能体共享。
更重要的是，它揭示了“经验积累”与“模型规模”之间的某种互补性。小模型之所以表现不佳，部分原因在于缺乏足够的参数来隐式存储大量模式，但通过显式记录和检索，可以部分弥补这一缺陷。这为在边缘设备上部署高效智能体提供了新思路。
影响与看点
对开发者而言，WikiSkill 提供了一种轻量级的智能体增强方案，无需重新训练模型，只需在应用层增加记录与检索逻辑。这意味着，即使是基于 API 的闭源模型，也能通过外部记忆获得持续改进的能力。
对行业而言，这可能是迈向“终身学习”AI 的重要一步。如果智能体能够积累经验，那么随着使用时间增长，其表现将不断优化，而不仅仅是依赖初始训练数据。这尤其适用于客服、编程助手、自动化运维等重复性高的场景。
值得关注的是，WikiSkill 的知识库结构如何设计、如何保证记录质量、如何避免错误经验的固化，以及多智能体之间如何共享知识，都是后续值得观察的方向。此外，这种“外置记忆”是否会引发新的隐私或安全风险（例如敏感操作被记录），也需要业界警惕。
总体而言，WikiSkill 是一个务实且富有启发性的研究方向。它提醒我们，提升 AI 能力并非只有“堆参数”一条路，巧妙的架构设计同样能带来显著收益。
