结论：Google Research与Virginia Tech团队于上海时间2026年8月28日（对应27日17:59 UTC）在arXiv公开WikiSkill预印本，提出以持久知识库分层协同演化智能体技能。在作者覆盖5项基准与5个模型的受控实验中，WikiSkill较无技能基线与三类同期技能演化方法稳定领先，且增益随模型规模扩大，部分跨模型迁移技能甚至优于自演化；但该结论仅来自作者实验、尚未经同行评审或独立验证，局限于有限基准与模型。

研究对象与方法

研究针对现有技能演化方法将经验分散保存于优化历史、缺乏独立持久知识表征的不足，提出WikiSkill三层架构：Raw层保存不可变的训练滚动轨迹，Wiki层以模式目录、演化日志和技能影响追踪器持续归纳成功策略与失败根因，Skill层存放可执行的SKILL.md与溯源的PURPOSE.md。每轮演化由推理智能体基于当前技能滚动、Wiki Maintainer增量更新Wiki、Skill Proposer以ReAct方式按需查Wiki与轨迹提出单技能原子补丁、再经验证集门控决定接受或回滚；Wiki始终保留不回滚，以累积长期知识。

数据范围与评估条件

评估覆盖LiveMathematicianBench（数学推理）、SealQA（网页检索）、SpreadSheetBench（表格操作）、OfficeQA（长上下文问答）、ALFWorld（具身交互）5项基准；模型包含Qwen-3.5-4B/9B-Instruct、Qwen-3.6-27B、Gemma-4-31B-It与Gemini-3.5-Flash。数据集按训练/验证/测试划分，演化从空技能集启动，候选补丁在验证集上评估，仅当验证分数超越当前最优时接受，否则回滚；每种方法独立演化3次取测试平均，显著性以1,000次配对自助法p<0.05判定。对照基线含无技能及Trace2Skill、EvoSkill、SkillOpt。

主要发现（作者报告，未独立验证）

作者报告：WikiSkill在各模型平均分上取得领先，Qwen-3.5-4B/9B/27B平均分分别从26.2/29.9/39.4提升至38.5/47.4/63.3，增益随规模扩大；Gemini-3.5-Flash从49.5提升至68.1；Gemma-4-31B从41.3至54.9。小模型配技能可超越大模型无技能，如Qwen-3.5-9B配WikiSkill 47.4%超过Qwen-3.6-27B无技能39.4%。跨模型迁移中，Qwen-3.5-9B使用Qwen-3.6-27B演化技能在ALFWorld达70.2%高于自演化63.4%，提示技能发现与执行能力可分离。消融表明移除Wiki积累增益消失，而训练时向推理体开放Wiki反而劣化。

局限与同行评审状态

该工作标注为arXiv预印本（arXiv:2608.27454v1），尚未经期刊或会议正式同行评审，无独立复现。核心限制包括：仅5基准×5模型的小范围受控评估，未覆盖真实企业规模、多语言或持续部署；验证集小且Gemini在ALFWorld验证满分提前终止，可能高估；结果为作者特定提示、工具与vLLM部署下的平均表现，换模型、检索或成本约束下未必复现；Wiki与技能均由大模型生成，存在偏见、过拟合与幻觉累积风险。

潜在意义

若后续获同行评审与外部复现支持，该框架提示将经验固化为可累积的Wiki知识再驱动技能演化，可在不增参的情况下弥补模型规模差距并实现跨模型复用，对低成本部署与领域适配具参考价值；但在落地前仍需在更广基准、真实工作流与长期运维成本、安全审计下的前瞻验证。