Дослідники опублікували на arXiv роботу під назвою WikiSkill — метод, який компілює досвід AI-агента у стійку базу знань у вікі-форматі, придатну для повторного використання без додаткового навчання моделі. Ідея по суті проста: замість того, щоб агент щоразу заново «винаходив» розв'язання типової задачі, кожен вдалий прогін перетворюється на статтю-навичку, яку той самий або інший агент може прочитати й застосувати наступного разу.

Проблема, яку тут намагаються закрити, знайома кожному, хто будував агентні пайплайни: LLM-агент не має довготривалої памʼяті за замовчуванням. Кожна нова сесія — це чистий аркуш, і навіть якщо вчора агент після кількох невдалих спроб знайшов робочий спосіб парсити конкретний API чи обходити конкретний edge-case, сьогодні він почне з нуля. Донавчання моделі під кожен такий випадок — дорого й повільно, тому індустрія шукає способи фіксувати такий досвід окремо від ваг моделі.

Для тих, хто будує власні MCP-сервери чи агентні системи, це не абстрактна дослідницька тема, а конкретний архітектурний патерн, який можна взяти собі вже зараз — і саме тому ми звертаємо на нього увагу.

Що саме пропонує WikiSkill?

За даними arXiv, WikiSkill компілює досвід агента — тобто послідовності дій і рішень, які призвели до успішного результату — у статті вікі-формату. Ці статті утворюють базу знань, яку агент може перечитувати перед виконанням схожої задачі, замість того щоб проходити той самий шлях спроб і помилок повторно. Ключова відмінність від звичайного логування: результат — не сирий лог розмови, а компільована, структурована стаття-навичка, придатна до повторного використання.

Чим це відрізняється від памʼяті на основі RAG чи vector store?

У більшості сьогоднішніх агентних систем «памʼять» — це векторна база з фрагментами минулих розмов чи документів, яку агент опитує через семантичний пошук. Це добре працює для фактів, але погано — для процедурного знання «як саме розвʼязати задачу X». Вікі-стаття-навичка, на відміну від сирого чанка тексту, вже має структуру: контекст, кроки, застереження — тобто ближче до документації, яку писала б людина, ніж до випадкового фрагмента логу. За нашою оцінкою, саме ця структурованість і є головною практичною відмінністю підходу від типового RAG-стеку памʼяті агентів.

Кому це знадобиться при побудові власних MCP чи agent-систем?

Найбільше — командам, які вже зіткнулися з тим, що агент «забуває» вирішені задачі між сесіями чи між різними інстансами одного продукту. Патерн застосовний і поза межами конкретної реалізації WikiSkill:

Схожий принцип накопичення знань корисний і для оцінки роботи агентів — наприклад, у сценаріях, які ми розбирали у матеріалі про пошук причин збоїв агентами через TraceBench, де агенту теж доводиться накопичувати й застосовувати процедурне знання про типові патерни поломок.

Що з цього варто взяти AI-білдерам уже зараз?

Наша теза: головна цінність WikiSkill не в конкретній імплементації, а в самому принципі — відокремити «навичку» від ваг моделі й зробити її читабельним, версійованим артефактом. Це узгоджується з тим, що ми вже бачимо в продакшн-агентних системах: зростання обсягу агентних запитів, як показав приклад Uber з ростом агентних запитів у 9,4 раза, робить накопичену, перевикористовувану памʼять економічно необхідною — повторне «вигадування» одного й того ж рішення масштабується погано. Якщо ви будуєте власний MCP-сервер чи агентний пайплайн, варто вже сьогодні закладати шар, куди агент записує розвʼязані задачі у структурованому, читабельному форматі — а не покладатися лише на векторний пошук по сирих логах.

Що таке «навичка» (skill) у контексті AI-агентів?

Навичка — це структурований опис того, як розвʼязати конкретний тип задачі: контекст, кроки, застереження. На відміну від промпту чи системної інструкції, навичка не пишеться людиною наперед, а компілюється з реального досвіду агента вже під час роботи.

Чи треба донавчати модель, щоб скористатися таким підходом?

Ні — і саме в цьому сенс методу. Навички зберігаються поза вагами моделі, у вигляді текстової бази знань, яку агент читає в контексті перед виконанням задачі, тож оновлення відбувається без перетренування самої LLM.

Де це можна застосувати вже сьогодні?

У будь-якій агентній системі чи MCP-сервері, де задачі повторюються з варіаціями: підтримка, аналітика логів, робота з внутрішніми API. Досить додати шар, що записує успішні розвʼязання у структурованому вигляді й підвантажує їх перед схожими задачами.