在人工智能领域，AI agent执行任务的方式常被比作人类新员工——初入职场时缺乏经验，依赖操作手册，犯错后难以快速改进。但真正优秀的员工会总结经验，形成可复用的知识体系，为后来者提供指导。然而，当前多数AI技能进化方法存在明显缺陷：它们将“学到的知识”与“生成的技能”混为一谈，缺乏持续积累的“经验手册”，导致每次改进都需从头开始。
以EvoSkill、Trace2Skill和SkillOpt等主流方法为例，它们虽记录历史执行数据，但仅停留在流水账层面。例如，EvoSkill仅保存提案与评估结果，Trace2Skill将教训直接融入技能更新却未沉淀为长期知识，SkillOpt依赖即时反馈优化技能，均未构建独立的知识积累层。这种现象如同侦探办案后将线索锁进档案室，却未整理成“办案指南”，导致重复劳动和效率低下。
实验表明，省略维基层会导致性能大幅下降。在无维基层的情况下，技能生成模块需每次重新分析原始数据，难以形成连贯认知。例如，在数学推理任务中，省略维基层后模型准确率从63.7%降至48.7%，电子表格操作任务中从76.6%降至49.9%。这一结果验证了维基层在跨轮次知识积累中的关键作用。
WikiSkill的运转依赖四个组件的循环协作：推理agent执行任务并生成轨迹；维基维护者分析轨迹，提炼模式并更新知识库；技能提议者按需检索维基内容，生成新技能提案；门控与回滚机制验证技能效果，仅保留有效更新。值得注意的是，回滚机制仅重置技能层，维基层的失败记录仍被保留，避免重复犯错。例如，某技能因用户反馈差被撤回，但“该方向行不通”的记录会存入维基，防止未来再次提出类似方案。
在五个跨领域基准测试中，WikiSkill全面超越现有方法。测试覆盖数学推理、网页搜索、电子表格操作等任务，模型包括Qwen系列和Gemma-4-31B等。结果显示，WikiSkill在五个模型上的表现较EvoSkill、SkillOpt等提升3.3至12.0个百分点，且在几乎所有组合中超越“无技能”基线。例如，Gemini-3.5-Flash在数学推理任务中的准确率从33.0%提升至72.6%，电子表格操作从50.5%提升至76.6%。
进一步分析发现，技能进化与模型规模呈互补关系。大模型因更强的执行能力，能更好利用技能提升效果。例如，Qwen-27B模型在WikiSkill框架下平均提升23.9个百分点，电子表格任务中甚至提升40.9个百分点。但小模型结合优质技能也可逆袭大模型：Qwen-9B配WikiSkill技能后准确率达47.4%，超越无技能的Qwen-27B（39.4%）。这表明，经验手册可弥补模型规模差距，正如实习生凭前辈总结的“捷径”超越盲目摸索的资深员工。
更令人意外的是，技能迁移常带来超预期效果。例如，Qwen-27B生成的技能用于Qwen-9B时，电子表格任务准确率达50.5%，超越小模型自身进化的33.6%；Gemma-4-31B使用Qwen-27B技能后，数学推理准确率从33.9%跃升至73.7%。但迁移并非总有效：Qwen-4B技能用于Gemini-3.5-Flash时，电子表格任务准确率从50.5%暴跌至18.1%。原因在于小模型技能常包含针对自身局限的“补丁”，对强模型反成束缚。
以ALFWorld任务为例，Qwen-27B的技能进化过程清晰展示了维基层的作用。初期，维基维护者发现“拿起-检查-放回循环”的无效行为，技能提议者据此提出“目标导向行动”技能，但因缺乏具体规则被拒。审计日志保留拒绝原因后，第二轮提出“打破重复循环”技能，明确“不放回原位”规则，最终通过验证。后续迭代中，维基又记录“多操作循环”等新模式，技能逐步细化为“每种操作对每件物品仅做一次”。这一过程依赖维基的连贯记录，避免重复摸索。
数据统计进一步验证了持续知识积累的价值。Qwen系列模型生成的技能文档较长（平均118.9至128.6行），而Gemma-4-31B和Gemini-3.5-Flash更简洁（45.1行和81.2行）。电子表格任务因错误类型复杂，生成的技能最长（142.5行），维基模式最多（9.8条）。技能改进并非一蹴而就：早期接受量仅占39%至52%，中期和晚期仍持续优化，尤其在网页搜索任务中，晚期改动占比达28%，表明长期知识积累支撑了更精细的技能打磨。
