Neueste Entwicklungen in der KI: Google Research präsentiert WikiSkill zur Verbesserung von Agentenfähigkeiten durch persistentes Wissen

Google WikiSkill: Eine neue Ära für lernende KI-Agenten durch persistentes Gedächtnis

In der stetig fortschreitenden Landschaft der Künstlichen Intelligenz stellt die Fähigkeit von Agenten, aus vergangenen Erfahrungen zu lernen und dieses Wissen langfristig zu behalten, eine zentrale Herausforderung dar. Forscher von Google Research haben nun mit der Einführung von "WikiSkill" einen Ansatz präsentiert, der dieses Problem adressiert. WikiSkill ist ein Framework, das KI-Agenten mit einer persistenten Wissensbasis ausstattet, um deren zukünftige Leistung durch die Analyse und Speicherung von Fehlern und Erfolgen zu verbessern.

Das Konzept hinter WikiSkill

Traditionelle KI-Agenten neigen dazu, nach Abschluss einer Aufgabe die gesammelten Erfahrungen zu "vergessen". Dies führt dazu, dass sie bei ähnlichen Problemen oft dieselben Fehler wiederholen. WikiSkill zielt darauf ab, diese Wissenslücke zu schließen, indem es ein System etabliert, das Erfahrungen sammelt und in einer strukturierten Form, ähnlich einem Wiki, speichert. Dieses gesammelte Wissen wird dann genutzt, um sogenannte "Agent Skills" zu entwickeln – wiederverwendbare Module, die das Verhalten eines Agenten steuern, ohne dessen ursprüngliches Training zu verändern.

Das zugrunde liegende Prinzip von WikiSkill basiert auf der Idee eines "LLM Wiki", wie es von Andrej Karpathy vorgeschlagen wurde. Es geht darum, Erfahrungen in kumulatives, persistentes Wissen zu überführen. WikiSkill wendet dieses Konzept auf die automatische Entwicklung von Fähigkeiten für KI-Agenten an.

Drei Ebenen für Erfahrung, Wissen und Aktion

WikiSkill organisiert den Arbeitsbereich eines KI-Agenten in drei unterschiedliche Ebenen:

• Die Rohdaten-Ebene (Raw Layer): Diese Ebene speichert vollständige Ausführungsspuren, einschließlich aller Tool-Aufrufe und Ergebnisse. Die Daten in dieser Schicht sind unveränderlich und dienen als primäres Ausgangsmaterial.
• Die Wiki-Ebene (Wiki Layer): Hier werden die Rohdaten in strukturierte Erkenntnisse überführt. Dies umfasst dokumentierte Fehlermuster und erfolgreiche Strategien. Diese Wissensschicht wird niemals zurückgesetzt und wächst mit jeder Iteration kontinuierlich an.
• Die Skill-Ebene (Skill Layer): Diese oberste Ebene enthält die aktiven prozeduralen Anweisungen, denen der Agent bei der Ausführung von Aufgaben folgt. Im Gegensatz zur Wiki-Ebene können Fähigkeiten auf dieser Ebene zurückgesetzt werden, falls eine Aktualisierung die Leistung negativ beeinflusst.

Der Prozess innerhalb von WikiSkill folgt einem strukturierten Zyklus: Zunächst führt ein Inferenz-Agent Aufgaben unter Verwendung der aktuellen Fähigkeiten aus und erzeugt dabei Ausführungsspuren. Ein "Wiki Maintainer" analysiert diese Spuren, identifiziert Muster von Fehlern und Erfolgen und trägt die Ergebnisse in das Wiki ein. Anschließend nutzt ein "Skill Proposer" das aktualisierte Wiki und die Ausführungsdaten, um gezielte Skill-Änderungen vorzuschlagen. Ein Überprüfungsmechanismus testet die vorgeschlagenen Änderungen auf einem separaten Validierungsdatensatz. Wird eine Verbesserung festgestellt, wird die Änderung übernommen. Andernfalls wird der Skill zurückgesetzt, das Wiki bleibt jedoch intakt. Selbst gescheiterte Vorschläge bleiben im Wiki dokumentiert, was dem Skill Proposer ermöglicht, in zukünftigen Iterationen darauf aufzubauen.

Leistungssteigerung über verschiedene Modelle hinweg

Die Wirksamkeit von WikiSkill wurde in umfangreichen Tests über fünf Benchmarks evaluiert, die Bereiche wie mathematisches Schlussfolgern, Websuche, Tabellenkalkulation, Dokumentenfragenbeantwortung und interaktive Aufgaben in virtuellen Umgebungen umfassten. Dabei wurden Modelle wie Qwen (4B, 9B, 27B), Gemma-4-31B und Gemini-3.5-Flash eingesetzt.

Die Ergebnisse zeigen, dass WikiSkill andere Methoden zur Skill-Evolution konsistent übertrifft. Beispielsweise konnte das Framework die Leistung von Gemini-3.5-Flash im Durchschnitt von 49,5 Prozent auf 68,1 Prozent und die von Qwen-3.6-27B von 39,4 Prozent auf 63,3 Prozent steigern. Bei bestimmten Benchmarks waren die Leistungssteigerungen noch ausgeprägter, wie etwa bei LiveMath und SpreadSheet für Gemini-3.5-Flash.

Es wurde beobachtet, dass größere Modelle tendenziell stärker von den entwickelten Fähigkeiten profitieren. Interessanterweise konnten kleinere Modelle, die WikiSkill nutzten, die Leistung größerer Modelle ohne dieses Framework erreichen oder sogar übertreffen. Darüber hinaus zeigte sich, dass von einem Modell entwickelte Fähigkeiten oft auf andere Modelle übertragen werden können und dort teilweise sogar besser funktionieren als selbst entwickelte Fähigkeiten. Eine solche Übertragbarkeit erfordert jedoch eine fallweise Überprüfung.

Implikationen und Ausblick

WikiSkill repräsentiert einen bedeutsamen Schritt in der Entwicklung von KI-Agenten, indem es eine effiziente Methode zur Akkumulation und Nutzung von Erfahrungswissen bietet. Die Trennung von Rohdaten, destilliertem Wissen und ausführbaren Fähigkeiten ermöglicht eine robustere und adaptivere Agentenentwicklung. Dieser Ansatz könnte insbesondere für B2B-Anwendungen von Relevanz sein, wo die kontinuierliche Verbesserung und Anpassungsfähigkeit von KI-Systemen an spezifische Geschäftsprozesse entscheidend ist.

Die Fähigkeit von KI-Agenten, aus ihren Fehlern zu lernen und dieses Wissen systematisch zu nutzen, könnte die Effizienz und Zuverlässigkeit automatisierter Prozesse in einer Vielzahl von Branchen erheblich steigern. Es bleibt abzuwarten, wie sich WikiSkill in komplexeren realen Szenarien bewähren wird und welche weiteren Innovationen sich aus diesem Konzept ergeben.

Bibliographie

• Tang, L., Rashtchian, C., Ferng, C.-S., Tomkins, A., Juan, D.-C., & Vu, T. (2026). WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution. arXiv.
• Karpathy, A. (2026). LLM Wiki. GitHub Gist.
• Bastian, M. (2026, 29. August). Google's WikiSkill gives AI agents a persistent memory of past mistakes to sharpen future performance. The Decoder.
• Petersen, B. (2026, 29. August). Google's WikiSkill Gives AI Agents Persistent Memory. AIDailyPost.
• Ashe, K. (2026, 28. August). WikiSkill and the Case for Giving Agents a Memory That Compounds. Ken Ashe | AI Application Builder.
• O96A. (2026, 29. August). The skill bottleneck is a myth — your agent needs a memory layer. DEV Community.
• Gate News. (2026, 28. August). Google's WikiSkill Framework Boosts AI Agent Performance Across 5 Benchmarks. Gate.com.
• XenoSpectrum. (2026, 29. August). Google's WikiSkill Helps a 9B AI Model Outperform a 27B Model by Learning From Experience. XenoSpectrum.com.