Google Research、エージェントの経験を持続的な知識に編纂する「WikiSkill」を発表 — 永続Wikiでスキル進化と転移を実現

Google ResearchとVirginia Techの研究チームは2026年8月27日、AIエージェントの実行経験を持続的な知識ベース（Wiki）に編纂して再利用可能なスキルへ進化させるフレームワーク「WikiSkill」を公開した。論文はarXiv:2608.27454「WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution」として発表された。著者はLiyan Tang、Cyrus Rashtchian、Chun-Sung Ferng、Andrew Tomkins、Da-Cheng Juan（いずれもGoogle Research）、Tu Vu（Google Research / Virginia Tech）。

従来のスキル進化手法は、反復ごとに得られた洞察が最適化履歴に散在し体系的に再利用されないという課題を抱えていた。WikiSkillはRaw層・Wiki層・Skill層を分離し、Wikiを反復間でリセットせず蓄積・精緻化することで、後のスキル更新が蓄積された知識の上に構築されるように設計されている。

3層アーキテクチャと進化ループ

WikiSkillのワークスペースは目的別に3層に分かれる。

• Raw層（raw/）: 訓練タスクでのエージェントの完全な実行トレース（推論、ツール呼び出し、出力、最終回答）を不変に保存する。Wiki MaintainerとSkill Proposerが分析に利用する。
• Wiki層（wiki/）: Raw層から抽出した構造化知識を蓄積する永続層。失敗モードや成功戦略を記したパターンディレクトリ（patterns/）、進化ログ（logs.md）、スキル影響トラッカー（skill-impact.md）を持ち、過去に却下された提案の再発防止や再発エラーの特定を可能にする。
• Skill層（skills/）: エージェントが実際に読み込む実行可能な手順（Agent Skills）。各スキルはSKILL.md（完全な手順）とPURPOSE.md（どのWikiパターンに由来するか）で構成され、ファイルシステムベースの再利用可能なモジュールとして提供される。

進化は4コンポーネントのループで実行される。

• Inference Agent: 現行スキル集合を用いて訓練タスクでロールアウトを実行し、Raw層にトレースを書き出す。この際、Wiki層へのアクセスは制限される（アブレーションで訓練時のWiki参照がスキル発達を阻害することが確認された）。
• Wiki Maintainer: 成功・失敗トレースのサンプルを既存Wikiと照合し、根本原因分析と成功戦略の抽出を行い、Wikiを更新する。
• Skill Proposer: 更新されたWikiと最新のトレースを読み、ReAct方式でスキル候補の生成・修正を提案する。
• Gating & Rollback: 検証用データ（Dval）で候補スキルを評価し、改善した場合のみ採用、悪化した場合はロールバックする。スキルはロールバックされてもWikiの蓄積は保持され、次の反復に活かされる。

この「経験→Wikiへの編纂→スキル提案→検証ゲーティング」のサイクルが、知識の複利的な蓄積を実現する点が中核にある。

5ベンチマークでの評価 — 一貫した改善とスケールとの相補性

評価は多様な能力を測る5ベンチマークで実施された。数学推論（LiveMathematicianBench）、Web検索（SealQA）、表計算操作（SpreadSheetBench）、長文脈文書QA（OfficeQA）、対話型具現タスク（ALFWorld）。モデルはQwen 3.5-4B/9B、Qwen 3.6-27B、Gemma、Gemini 3.5 Flashを含む5モデルが用いられた。

• 既存手法との比較: WikiSkillはEvoSkill、SkillOpt、Trace2Skillなどの最先端のスキル進化手法を一貫して上回り、ほとんどのモデル・ベンチマーク設定でスキルなしベースラインからも改善した。論文のFigure 1では全ベンチマーク平均の精度で、Qwen 3.5-4B/9B/27B、Gemini 3.5 FlashのいずれでもWikiSkillが最高値を示す。
• 代表的な向上幅: 論文および二次報道が引用する数値では、Gemini 3.5 Flashの平均スコアが49.5%から68.1%へ、Qwen 3.6-27Bが39.4%から63.3%へ向上。個別タスクではGemini 3.5 FlashがLiveMathで33.0%→72.6%、SpreadSheetBenchで50.5%→76.6%を記録した。
• モデルスケールとの相補性: Qwenファミリー内ではWikiSkillによる平均改善が4Bで12.3%、9Bで17.5%、27Bで23.9%と、大きなモデルほど向上幅が拡大。一方で、スキルがモデル規模の不足を補う効果も確認され、Qwen 3.5-9B + WikiSkill（47.4%）がスキルなしのQwen 3.6-27B（39.4%）を上回った。
• 転移性: 進化したスキルはモデル間・モデルファミリー間で転移可能で、他モデルが進化させたスキルの方が自己進化スキルより高性能なケースもあった。例としてALFWorldでQwen 3.5-9Bは、自身のスキル使用時63.4%に対し、Qwen 3.6-27Bが進化させたスキルを適用すると70.2%に達した。
• アブレーション: Wiki層を除去すると改善が大幅に消失し、永続的な知識蓄積が効果の核心であることが確認された。また、訓練ロールアウト時のWikiアクセスを許可すると性能が低下するなど、設計選択の妥当性も検証された。

タスクによるばらつきも報告されている。数学や表計算では改善が顕著だった一方、長文脈を要するOfficeQAでは改善が限定的で、小規模モデルでは多段階の検索戦略を実行しきれずデフォルト挙動に戻る事例が分析されている。

位置づけと限界 — 永続メモリは万能ではない

WikiSkillは、モデルの重みを更新せずにファイルシステム上の指示（Agent Skills）を書き換えることで擬似的に「学習」を実現するアプローチであり、継続的学習そのものを解決するものではない。二次解説（The Decoder）が指摘するように、モデル自体が継続的に学習するわけではなく、より良い手順を生成して次回呼び出す仕組みである。

実運用では、Wikiに何を記録し誰が監査するか、古くなったスキルの失効やツール・Webサイトの仕様変更への追従、検証用データの設計やゲーティングの閾値など、運用・ガバナンスの課題が残る。論文の評価は3回の独立実行の平均であり、実環境でのコスト、メモリ量、分布シフト下での挙動は今後の検証が必要とされる。

それでも、実行トレースを証跡として残し、教訓を構造化して再利用し、検証してから展開するという規律は、反復的に同じ種別のタスクを扱うコーディング支援、リサーチエージェント、表計算自動化などの領域で、再訓練に頼らない実務的な改善経路を示す。

出典

• WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution — arXiv:2608.27454
• WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution — PDF