AI-agenter bliver ofte begrænset af, at den viden, de opbygger gennem interaktion, forbliver spredt og ikke systematisk genbruges. Et nyt framework, WikiSkill, adresserer dette ved at co-evolvere agent-færdigheder med en vedvarende vidensbase (wiki).
WikiSkill adskiller rå eksekveringserfaring, akkumuleret viden og eksekverbare færdigheder, og konsoliderer løbende erfaring ind i wikien, som efterfølgende færdighedsopdateringer kan bygge på. Ifølge paperet overgår WikiSkill konsekvent state-of-the-art metoder til færdighedsudvikling på tværs af forskellige benchmarks og modeller, og forbedrer også baselines uden færdigheder i de fleste model-benchmark-konfigurationer.
For beslutningstagere er de vigtigste fund, at færdighedsudvikling komplementerer model-skalering: større modeller drager generelt mere fordel af udviklede færdigheder, mens mindre modeller med færdigheder kan overgå væsentligt større modeller uden. Derudover overføres færdigheder effektivt på tværs af modeller og model-familier, og færdigheder udviklet af andre modeller kan endda overgå selv-udviklede færdigheder. Ablationsstudier bekræfter, at vedvarende vidensakkumulering i wikien er kritisk for effektiv færdighedsudvikling.
Dette har strategisk betydning: organisationer, der investerer i AI-agenter, kan potentielt reducere afhængigheden af de største og dyreste modeller ved at genbruge og dele færdigheder på tværs af systemer. Evnen til at overføre færdigheder mellem model-familier åbner også for mere fleksible og omkostningseffektive agent-arkitekturer.
