Google-Forschung: Wissens-Wikis für die Evolution von Agenten-Skills

X-PostDAIR.AIForschung

Ein Forschungspapier von Google stellt ein System zur Weiterentwicklung von Fähigkeiten autonomer Agenten vor. Der Ansatz trennt Rohausführungsdaten, ein persistentes Wissens-Wiki und die ausführbaren Skills sauber voneinander.

Das Wichtigste

  1. Strikte Trennung von drei Komponenten: Rohausführungsdaten (Execution Traces), ein persistentes Wiki für akkumuliertes Wissen und die eigentlichen ausführbaren Skills.
  2. Erfahrungen fließen kontinuierlich in das zentrale Wiki ein, worauf spätere Skill-Aktualisierungen aufsetzen, anstatt eine verstreute Optimierungshistorie zu nutzen.
  3. Ablationsstudien belegen, dass der Großteil der Leistungssteigerung auf das persistente Wissens-Wiki zurückzuführen ist.
  4. Kleinere Modelle mit weiterentwickelten Skills übertreffen deutlich größere Modelle ohne solche Skills.
  5. Generierte Skills lassen sich über verschiedene Modellfamilien hinweg übertragen; extern entwickelte Skills übertreffen mitunter selbst generierte Varianten.

Warum das relevant ist

Die Verwaltung und Pflege von Skill-Bibliotheken ist eine Kernherausforderung beim produktiven Einsatz von KI-Agenten. Durch die Trennung von Wissen und Ausführung können Entwickler kleinere, kostengünstigere Modelle einsetzen und einmal entwickelte Fähigkeiten flexibel über Modellgrenzen hinweg wiederverwenden.

Einordnung

Herkömmliche Ansätze zur Skill-Evolution vermischen Ablaufprotokolle oft direkt mit Skill-Definitionen. Das Google-Paper zeigt, dass ein strukturierter Wissensspeicher (Wiki) als Zwischenschicht die Effizienz drastisch erhöht. Bemerkenswert ist der Transfer-Effekt: Teams müssen Skills nicht zwingend mit demselben Modell trainieren, das sie ausführt, was Wissensdestillation und Ressourcenoptimierung erleichtert.

Original-Post

DAIR.AI

@dair_ai · 28. August 2026

Banger paper from Google. If you maintain a skill library for your agents, you might want to check this out. (bookmark it) This work separates three things that skill-evolution systems usually collapse into one. Raw execution traces, a persistent wiki of accumulated knowledge, t.co/HPi2FFIbJM

4006 Likes87 Antworten8621 Lesezeichen500.708 Aufrufe

Auf X ansehen
Ausgewählte Antworten (5)
  • @CaryPalmerr @dair_ai Yes! This is why I built t.co/C4RGpNZdDq a while back. Graph retrieval of tools/skills/rules injected into turns. Way better than local .MD bloat. You can also carry your context between any harness or machine, share context with others via qr, etc t.co/rniS8cuW5C
  • @alpniks @dair_ai This looks a lot like ReasoningBank, an earlier Google paper from this year: t.co/nNWBbzBc0K
  • @ovitrif @dair_ai If this is gonna improve my skills as great as they improved Gemini then I have all the reasons to ignore it. Usually, in this world, you have authority on a subject when your results proved you're worth listening to. Google so far is still trying.
  • @gmccreight @dair_ai Amazing! I'm working on t.co/ZKlKh27wkt for curating and sharing subgraphs of personal context. I believe skills are just a subset of important context. It's open source, but also offers hosting the bundles as microsites.
  • @iav @dair_ai The knowledge used to improve a process does not necessarily belong inside the process itself 🤔

Erwähnte Links

Links und Tools aus diesem Beitrag

Zusammenfassung von KI erstellt (Gemini 3.8 Flash, 27. September 2026). Sie kann Fehler enthalten – maßgeblich ist die Originalquelle.

Ähnliche Einträge

Inhaltlich ähnlich, ermittelt über die KI-Suche.

  • Artikel:Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan, Tu Vu

    WikiSkill: Dauerhafte Wissensakkumulation für die Evolution von Agenten-Skills

    Das Forschungspapier stellt WikiSkill vor, ein Framework zur kontinuierlichen Weiterentwicklung von KI-Agenten-Fähigkeiten durch eine persistente Wissensdatenbank. Anstatt Erfahrungswerte in isolierten Optimierungsverläufen verstreut zu lassen, trennt WikiSkill Ausführungserfahrung, gesammeltes Wissen und ausführbare Skills voneinander.

    KI & AI· Forschung

  • Artikel:Hongjun Liu, Yifei Ming, Shafiq Joty, Chen Zhao

    HASP: Ausführbare Skill-Programme als Leitplanken für LLM-Agenten

    Ein Forschungsteam stellt mit HASP (Harnessing LLM Agents with Skill Programs) ein Framework vor, das Erfahrungswerte von Sprachmodell-Agenten in ausführbare Programmfunktionen (PFs) überführt. Statt rein textbasierter Empfehlungen greifen diese Funktionen bei fehleranfälligen Zuständen aktiv in den Agenten-Loop ein, indem sie Aktionen anpassen oder korrigierenden Kontext einfügen.

    KI & AI· Forschung

  • Artikel:Siru Ouyang, Jun Yan, I-Hung Hsu, et al.

    ReasoningBank: Selbstlernende KI-Agenten durch Reasoning Memory

    ReasoningBank ist ein neuartiges Speicher-Framework für LLM-Agenten, das verallgemeinerbare Denkstrategien aus selbst bewerteten Erfolgen und Fehlern destilliert, um kontinuierliches Lernen im laufenden Betrieb zu ermöglichen.

    KI & AI· Forschung

  • Video

    Video:AI Engineer

    Agent-Skills nicht ohne Evals ausliefern: Best Practices von Google DeepMind

    Philipp Schmid von Google DeepMind erläutert, warum Agent-Skills systematische Evaluationen (Evals) benötigen und wie man eine leichtgewichtige Testumgebung aufbaut. Anhand von Daten aus SkillsBench und internen Beispielen bei Google zeigt er, wie Skills strukturiert, getestet und bei Modellfortschritten wieder entfernt werden sollten.

    KI & AI· Vortrag

  • Link:Anthropic

    Agent Skills: Offener Standard für modulare KI-Agenten-Fähigkeiten

    Agent Skills ist ein offenes Format zur Erweiterung von KI-Agenten um domänenspezifisches Wissen und Workflows. Der Standard basiert auf Ordnerstrukturen mit einer SKILL.md-Datei und nutzt Progressive Disclosure, um den Kontextbedarf gering zu halten.

    KI & AI· Sammlung

  • Link:agentwikis.com

    Agent Wikis: Kuratierte Wissensdatenbanken für KI-Agenten und Menschen

    Agent Wikis bereitet dynamische Informationsquellen wie Repositories, Changelogs, Transkripte und Community-Q&As in strukturierte Markdown-Wissensdatenbanken auf. Die Plattform richtet sich an menschliche Leser und KI-Agenten, die die Inhalte über ein llms.txt-Verzeichnis strukturiert abrufen können.

    KI & AI· Sammlung

Zurück zur Wissensbasis

Lassen Sie uns über Ihr Projekt sprechen

Kontakt aufnehmen

Standorte

  • Mattersburg
    Johann Nepomuk Bergerstraße 7/2/14
    7210 Mattersburg, Austria
  • Wien
    Ungargasse 64-66/3/404
    1030 Wien, Austria

Dieser Inhalt wurde teilweise mithilfe von KI erstellt.