谷歌的 WikiSkill：让 AI 记住“上次错在哪”，却不用把教训塞进提示词

AI 智能体有个老大难：同一个错误会反复犯。原因很简单，它每次都在“从零开始”思考。谷歌的新工作 WikiSkill 想解决这件事——让智能体把过去的经验沉淀成可复用的“技能”，而不是每次把教训硬塞进提示词里。

一分钟速览

• 谷歌提出 WikiSkill，让 AI 智能体记住过去的失败与经验。
• 经验以“技能”形式复用，而非全部写进 prompt。
• 测试中，9B 的 Qwen 模型借助该方法超过了 27B 模型。
• 核心是把“记忆”外置化、结构化，减少上下文浪费。
• 这为 Agent 的持续学习提供了一条实用路径。

“把教训塞进提示词”为什么不灵

常见做法是把过往错误总结成几句话，塞进系统提示词，希望模型别再犯。问题是，上下文窗口有限且昂贵；教训越攒越多，提示词越来越长，反而稀释了真正重要的信息。这不是记忆，更像“把便签贴满屏幕”。

WikiSkill 的思路是把经验抽出来，组织成可检索、可复用的“技能条目”。需要时再调用，而不是常驻上下文。这样既省 token，又能随经验增长而扩展。

9B 超过 27B 说明了什么

测试里，一个 9B 的 Qwen 在接入 WikiSkill 后，成绩超过了 27B 模型。这个结果很有说服力：它说明在很多任务上，决定表现的未必是参数规模，而是有没有好的“经验外挂”。小模型配上好的技能库，可能比大模型硬扛更划算。

对企业而言，这意味着不必一味堆最大最强的模型，而是可以在工程侧下功夫，用技能库、工具、记忆机制把效果拉起来。成本与效果的平衡点，可能比想象中更靠前。

趋势洞察：Agent 的竞争转向“记忆与技能”

当基础模型能力趋于接近，Agent 之间的差距就落在“能不能积累经验”上。会复盘的 Agent 会越用越好，不会复盘的永远在原地打转。WikiSkill 指向的，正是这条从“一次性工具”到“持续成长助手”的路径。

未来评价一个 Agent，或许不只看它这次答得对不对，还要看它比上次进步了多少。

对开发者来说，这套思路还有一个隐含好处：技能库是可以被共享和复用的。一个团队踩过的坑，可以沉淀成条目，让其他成员甚至其他任务直接受益。智能体不再是“一个人”“一台机器”，而更像一个会积累团队经验的成员。