Google 给 Agent 造了一本会自己修订的百科全书，9B 模型靠它反超了 27B

2026 年 8 月 27 日，Google Research 提交论文《WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution》。它让 Agent 在反复执行任务时，把经验持续编成一份可修订的 Wiki，再从中提炼可直接调用的技能，全程不修改模型权重。

效果颇为反直觉：在数学推理、网页搜索、表格操作、长文档问答和具身交互五项基准上，Qwen-3.5-9B 加载 WikiSkill 后平均得分为 47.4%，超过未使用该系统的 Qwen-3.6-27B（39.4%）。WikiSkill 分别让 Qwen 4B、9B、27B 提升 12.3%、17.5% 和 23.9%。技能还能跨模型迁移：在 ALFWorld 上，9B 模型使用 27B 模型演化出的技能得分 70.2%，高于使用自身技能的 63.4%。

三层架构，和一条不能通融的门槛

WikiSkill 把经验分成三层。

Raw 层保存完整执行轨迹，包括推理、工具调用、返回结果和最终答案；数据写入后不可修改，相当于现场记录。Wiki 层由 Wiki Maintainer 持续维护，包含失败模式、成功策略、目录索引、演化日志和技能效果记录；它只增量累积，从不重置。Skills 层则把技能分别封装，并记录每项技能对应 Wiki 中的哪个问题。

三层的关键差别在于回滚规则：候选技能集只有在验证集上严格超过历史最佳成绩才会被接受，否则整体退回上一版本；Wiki 层却无论成败都不会回滚。一次失败的技能提案可以被撤销，其中留下的经验仍会参与下一轮提炼。消融实验还显示，训练阶段若允许 Agent 直接查看 Wiki，最终效果反而下降：先独立执行、再总结错误，比直接照抄既有经验更有效。

论文明确将 Andrej Karpathy 2026 年 4 月提出的“LLM Wiki”视为直接灵感。Karpathy 把知识系统分为不可变的原始素材、由 LLM 维护的 Markdown Wiki 和 Schema，主张让知识在每次编译中累积，而不是像传统 RAG 那样每次临时检索和拼装。WikiSkill 将这一构想系统化地用于 Agent 技能演化。

不过，论文没有引用 Reflexion、Voyager、ExpeL、Agent Workflow Memory、Generative Agents、MemGPT 等 Agent 记忆和自我改进领域的经典工作；这些研究更接近其学术前史。WikiSkill直接对比的是 2026 年同期出现的 EvoSkill、Trace2Skill 和 SkillOpt。因此，它是“从经验演化可复用技能”热潮中的新方案，而非赛道开创者。

同一周，另一套记忆方案盯上了“长任务会迷路”

8 月 25 日提交的 Recuris，则专门解决 Agent 在长程交互中丢失任务状态的问题。它由 Working Memory 和 Experiential Memory 两个耦合模块组成：前者追踪当前状态并选择下一项技能，后者保存技能、经验卡片和路由规则。每一步都被记录为“状态—技能—动作—结果”证据链，使系统能把失败定位到具体记忆组件并局部修补，而不必重建整个记忆库。

Recuris 同样由身份固定的 Meta-Agent 更新记忆，同样设置验证集门槛，也不修改下游模型权重。在 τ²-Bench、SkillFlow 和 Terminal-Bench 2.1 上，它覆盖 10 个模型、37 组“模型×基准”组合，其中 35 组得到提升。GPT-5.6 Sol 在 τ-bench 上提高 17.8 个百分点；Claude Opus 5 提高 15.6 个百分点，达到 87.9%；最长任务中的最高增幅为 32.2 个百分点，常见长程失败最多减少 80%。

两者代表不同方向：WikiSkill 偏向知识管理，把经验沉淀为人类可读、可追溯且可跨模型迁移的 Wiki，主要面向数学、搜索和表格等中等长度任务；Recuris 更像带因果证据链的状态机，强调长任务中的故障定位和局部修复。

但 Recuris 的外部验证明显更弱。目前除论文、代码仓库和 HuggingPapers 转发外，尚未见独立第三方评测；作者机构信息也主要来自 GitHub 页面，而非 arXiv 摘要页。相关结论的可信度暂时不及核心数据可由原论文核对、且已有多家媒体报道的 WikiSkill。

这条路线今年一直很拥挤

2026 年综述《Self-Improvements in Modern Agentic Systems: A Survey》把 Agent 自我改进分为两类：直接更新模型权重，以及不碰权重、只更新外围系统。综述认为二者目前仍像“两个孤岛”；少数同时更新权重和外围系统的方案甚至把这种结合当作核心创新。

WikiSkill 和 Recuris 都属于后者。同期出现的 SkillClaw、SkillRL、OpenSpace、MetaSkill-Evolve、SkillEvolver 和 SkillRevise，共同形成了技能层自演化研究簇。产业界也在靠近：Anthropic 先推出 SKILL.md 渐进式加载机制，随后增加定期回顾会话与记忆、提炼模式的 Dreaming 流程，并为 Claude Managed Agents 开放持久记忆测试。

腾讯云 8 月开源的 TencentDB Agent Memory v2.0 更直接：它把对话、文档和代码转化为四类可复用资产，其中就包括“LLM-Wiki”和“Skill”。这是目前最接近把 WikiSkill 式构想产品化的产业信号。Mem0、Zep、Letta 等成熟框架则主要服务对话和交互记忆，与“经过验证的技能层”相邻但并不相同。

风险摆在明面上，而且还没解决

这条路线的优势很清楚：训练成本低、可解释、可跨模型和版本迁移，也不要求取得模型权重。但 Agent 并未真正把能力学进参数，只是不断为自己改写操作指南；指南本身仍可能出错。

同期研究《When Not to Write Memory: Governing False Promotion from Correlated Agent Traces》进一步追问：哪些经验根本不该进入永久记忆？其 GovMem 机制把错误晋升率从接近 60% 降至 4%，但在真实轨迹测试中，作者仍认为没有任何案例安全到足以自动写入永久记忆。

这揭示了验证集门控的边界：它只能判断一次修改是否提高分数，不能证明经验真实可靠，也无法回答经验何时过期、何时应被删除。可共享技能还可能携带恶意指令或泄露敏感信息。错误经验被反复强化、旧结论长期滞留，将是这类系统进入生产环境前必须解决的问题。

目前传播也仍限于技术圈小范围：Hacker News 的相关提交仅有 1 分、0 评论，X 上只有零星转发，尚未见 Google DeepMind 官方、Karpathy 本人或学术复现团队回应。The Decoder、XenoSpectrum 等媒体主要聚焦“9B 反超 27B”这一结果。

值得关注的地方

WikiSkill、Recuris 与腾讯云的产品动作集中出现，说明“不改权重、靠经验积累变强”正从论文原型向基础设施迁移。但工程能力已经跑到治理机制前面：性能验证不等于记忆可靠，更不等于内容具备时效性和安全边界。

接下来真正值得观察的，不只是 Agent 能否积累更多技能，而是系统能否识别偶然相关、主动淘汰过时经验，并阻止有害内容进入永久记忆。谁先把这套治理闭环补齐，谁才更可能把“会写经验的 Agent”变成真正可长期运行的系统。

信息来源

• WikiSkill 论文：arXiv:2608.27454
• Karpathy “LLM Wiki”构想原文：GitHub Gist
• WikiSkill 中文报道：Datawhale
• WikiSkill 英文报道：The Decoder
• Recuris 论文：arXiv:2608.24876
• Recuris 代码仓库：GitHub - Gen-Verse/Recuris
• Recuris 传播来源：HuggingPapers
• Self-Improvements 综述：arXiv:2607.13104
• 记忆治理研究“When Not to Write Memory”：arXiv:2607.02579
• 腾讯云 TencentDB Agent Memory v2.0：MarkTechPost
• Anthropic Agent Skills 与 Dreaming：Anthropic 工程博客、MindStudio 报道