大家好，我是PaperAgent，不是Agent！

8.27日， Google 在同一天发了两篇 Agent Skill 论文：一篇 WikiSkill ，讲 Skill技能怎么越进化越聪明 ； 我用字节Agent做了个科研Skill，3小时干完一天的活

一篇 SKILL.state ，发表在EMNLP，讲 Skill技能怎么跑得又稳又省 。

一个管 学习 ，一个管 执行 ，合起来正好拼出谷歌对 Agent Skill 的完整押注： 技能不仅要能进化，还要能扛住长程执行 。 办公Agent炸锅！豆包工作远超预期

WikiSkill：给技能进化装上一个维基百科

2.1 核心思想：经验 → 知识 → 技能

WikiSkill 的灵感来自 Karpathy 提出的 LLM Wiki 概念：把经验编译成持久的、可复利的知识。以往的技能进化方法里，指导技能开发的洞察散落在各轮优化历史里，下一轮进化基本用不上。WikiSkill 在 原始经验 和 可执行技能 之间，插进了一个 结构化知识层（Wiki） 。

Figure 1 | WikiSkill 主结果

先直接看疗效：在五个基准的平均准确率上，WikiSkill 不仅稳定碾压无技能基线，还超过了 EvoSkill、SkillOpt 等现有进化方法。更有意思的是—— 模型越强，WikiSkill 的优势越明显 。

2.2 三层架构 + 四步进化循环

Figure 2 | WikiSkill 框架总览

WikiSkill 把 Agent 工作区组织成三层：

每一轮迭代跑四个角色：

  1. Inference Agent ：带着当前技能在训练集上跑 rollout（注意：它 不能看 Wiki ）；
  2. Wiki Maintainer ：对轨迹做根因分析，把失败模式和成功策略固化成 wiki 里的 pattern 页面；
  3. Skill Proposer ：以 ReAct 方式读 wiki 索引、技能影响追踪器，按需翻阅具体轨迹，提出原子化的技能更新；
  4. Gating & Rollback ：候选技能在验证集上打分，好了才收，差了就回滚—— 但 Wiki 永远不回滚 ，失败的提案记录也会留下来，防止下次重蹈覆辙。

这个 技能可回滚、知识不回滚 的不对称设计，是全文最精妙的一笔：技能是易错的假设，知识是沉淀的资产。

2.3 主实验：全面、稳定地赢

Table 1 | 跨模型跨任务的方法对比

Table 1 是硬菜：5 个模型（Qwen-3.5-4B/9B、Qwen-3.6-27B、Gemma-4-31B、Gemini-3.5-Flash）× 5 个基准（数学推理 LiveMath、搜索 SealQA、表格操作 SpreadSheet、长文档问答 OfficeQA、具身交互 ALFWorld）。几个亮点：

  • 相比最强对手 ，WikiSkill 平均分分别高出 3.3 / 5.1 / 10.0 / 5.8 / 12.0 分；
  • Gemini-3.5-Flash 在 LiveMath 上从 33.0% 飙到 \\72.6%\\，SpreadSheet 从 50.5% 到 \\76.6%\\；
  • 对手们则很不稳定：EvoSkill 能把 Qwen-9B 的 LiveMath 从 28.2% 拉到 58.1%，却会把 Gemma-4-31B 从 33.9% 拉到 29.8%（负优化）。

2.4 最反直觉的发现：技能进化与模型 scaling 互补

论文里两个结论值得加粗：

（1）模型越大，从技能进化中获益越多。 Qwen 家族内，WikiSkill 带来的平均提升分别是 +12.3（4B）、+17.5（9B）、+23.9（27B）个百分点。SpreadSheet 上更夸张：+6.5 / +9.3 / +40.9 。

（2）但技能又能让小模型”越级打怪”。 Qwen-3.5-9B + WikiSkill 拿到 47.4% 平均分，反超了无技能的 Qwen-3.6-27B（39.4%）——三倍参数差距，被一份进化出的技能抹平了。

2.5 技能还能跨模型转移，甚至比自己进化的还好用

Table 2 | 跨模型技能转移

Table 2 揭示了一个很有意思的现象： 发现技能的能力和执行技能的能力是两种能力 。

  • Qwen-3.6-27B 进化出的技能，给 Qwen-3.5-9B 用在 ALFWorld 上拿到 70.2%，比 9B 自己进化的技能（63.4%）还高；
  • 甚至小模型的技能也能帮大模型：Qwen-3.5-4B 的技能把 Gemma-4-31B 的 LiveMath 推到 73.1%；
  • 但转移也会翻车：Qwen-3.5-4B 的 SpreadSheet 技能把 Gemini-3.5-Flash 从 50.5% 坑到 18.1%——因为小模型的技能里写满了”单行 Python 命令”之类的低级补丁，束缚了强模型写端到端脚本的手脚。

结论： 通用程序性知识可转移，模型特异的 workaround 会负迁移。

2.7 案例解剖：一次 Wiki 指导的技能进化

Figure 3 | ALFWorld 案例研究

Figure 3 追踪了 Qwen-3.6-27B 在 ALFWorld 上的真实进化过程：

  • 第 0 轮 ：Wiki 记录了”拿东西→检查→移动”的死循环模式；Proposer 提出 goal-directed-action 技能，太抽象，被验证集 拒绝 ——但拒绝记录留在了 skill-impact.md 里；
  • 第 1 轮 ：Proposer 参考失败历史，提出更具体的 break-repetition-loop（规则：“永远不要把物品放回原处”）， 被接受 ；
  • 第 4 轮 ：随着新的循环变体出现，Wiki 持续累积证据，技能被进一步精炼出”每种操作对每件物品只做一次”的规则。

这就是”审计轨迹驱动进化”的完整闭环。

Table 4 | 技能与 Wiki 模式统计

Table 4 还给了组有趣的数据：Qwen 系模型写出的技能更长（119\~129 行），Gemma 和 Gemini 更精简（45 / 81 行）；SpreadSheet 产出的技能最长（142.5 行）、Wiki 模式最多（9.8 个），LiveMath 最短最少。技能形态，确实是模型和任务共同塑造的。

三、SKILL.state：把技能执行从聊天记录改成状态机

如果说 WikiSkill 关心技能的 生产 ，SKILL.state 关心的就是技能的 消费 ——执行。 填补空白！首篇多模态Agentic框架前沿综述

3.1 问题：对话式执行迟早被自己的历史拖死

现在几乎所有 Agent 运行时都是同一个模式：每一步都把原始技能说明 + 不断膨胀的历史记录（推理、动作、观察、工具输出）塞给模型。后果是：

  • Prompt 随执行步数线性增长，累计 token 开销是 \\O(T²)\\；
  • 过期的观察和推理赖在上下文里不走，模型要不断区分”现在的事实”和”历史的垃圾”——长程任务下这就是”上下文中毒”。

3.2 方案：每一步只看三样东西

Figure 1 | SKILL.state 架构总览

SKILL.state 把执行重构为显式状态转移（Figure 1）。每一步模型只收到：

  • P ：不可变的技能说明书；
  • Σt ：结构化的当前执行状态（JSON）；
  • ot ：最新一条环境观察。

模型输出推理轨迹 Rt、状态补丁 ΔΣt 和动作 at；运行时确定性地校验补丁、合并进状态（Σt+1 = Σt ⊕ ΔΣt），然后—— 把推理轨迹永久丢弃 。步内的多步 CoT 推理完全保留，但只要状态转移一验证，推理就进不了下一个 prompt。

广告媒流（小程序）-爆款监控

结果：Prompt 大小变成 \\O(1)\\，累计 token 变成 \\O(T)\\。状态 schema 按领域写一次即可，比如 InterCode CTF 全部 100 道题共用同一个 5 字段 schema。

3.3 实验一：长程 scaling，16 倍省 token 还更准

Table 1 | 仓库管理长程 scaling

在自建的 SkillExecBench 仓库管理环境（500 个货架，T 从 10 拉到 200）上：

  • T=100 时，Stateful（LangGraph 式）基线烧掉 1,062,387 token，SKILL.state 只用 65,408 —— 16.2 倍压缩 ，准确率还更高（0.94 vs 0.91）；
  • T=200 时，Memory 基线膨胀到 6.1M token，SKILL.state 只要 122k，准确率 0.94 对 0.84；
  • Prompt 大小始终钉在 1,736\~1,905 token，一条平线。

3.4 实验二、三：抗噪 & 状态恢复

Table 2 | 噪声鲁棒性

往观察里灌系统遥测垃圾（每步最多 50 条干扰事件）：标准 ReAct 从 0.68 崩到 0.53 ，SKILL.state 全程 ≥0.97 ——干扰信息在生成状态补丁时就被过滤了，根本进不了后续 prompt。

Table 3 | 状态恢复

更狠的是”静默环境漂移”测试：外部角色偷偷改世界状态。历史型基线会连着幻觉 5\~8 步（旧事实压过新观察），SKILL.state 零恢复步数 ——它只信当前状态，纠正警报一到，状态立刻更新。

3.5 实验四：真实基准全面领先

Table 4 | 公开交互基准

  • InterCode CTF （100 道 Linux 渗透题）：pass@1 达 \\54.2%\\，比最强基线高 7.8 分，总 token 比 ReAct 省 60.4%；每步 prompt 只有 813 token；
  • τ-Bench Retail ：58.3% 通过率，成本最低；
  • τ-Bench Airline （基线 prompt 峰值超 11,000 token/步）：SKILL.state 平在 \~2,800 token/步，通过率 32.4%，省 40%+ token。

3.6 实验五：不是”短就好”，是”结构化才好”

Table 5 | 预算对齐控制实验

有人可能会说：你赢是不是只因为 prompt 短？作者把基线全部压到同样的 \~1,800 token 预算下对比——滑窗截断崩到 0.18（早期库存分配被踢出窗口），LLMLingua 压缩崩到 0.22（统计熵过滤把”看着冗余其实关键”的货架 ID 删了），而 SKILL.state 是 0.94 。结论：赢的是 结构化状态 ，不是压缩。

https://arxiv.org/pdf/2608.27454
WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
SKILL.state: Scalable Long-Horizon Agent Skills
https://arxiv.org/pdf/2608.26263

动手设计AI Agents：（编排、记忆、插件、workflow、协作）

Loop工程已死，Graph工程永生

一篇Loop+Harness的自进化Agent最新综述

2026，做Agentic AI，绕不开这两篇开年综述

已经读到这了，不妨点个👍、❤️、↗️三连，加个星标⭐，不迷路哦\~