Google випустив WikiSkill — систему пам'яті для AI-агентів, яка перетворює кожну невдалу або вдалу спробу виконати задачу на статтю у внутрішній вікі-базі, і дає агенту змогу звернутися до неї перед наступним запуском. За даними The Decoder, ідея проста: агент більше не починає кожну сесію з чистого аркуша, а звіряється з нотаткою про те, що вже не спрацювало або, навпаки, спрацювало добре.

Звучить як дрібниця, але для будь-кого, хто будував агентів на GPT, Claude чи Gemini, це болюча знайома проблема. Агент може п'ять разів поспіль наступити на ту саму граблю — невірний виклик API, неправильний формат аргументу, забутий edge-case — і щоразу «забути» про це одразу після завершення сесії, бо контекстне вікно скидається, а ніякого механізму передачі досвіду між запусками просто нема.

Саме цю прогалину і закриває WikiSkill: не чергову модель, а шар пам'яті поверх існуючих агентів.

Що саме зробив Google?

Google додав агентам постійне сховище досвіду у форматі вікі-статей, куди записуються результати спроб розв'язати задачу. Замість логів, які ніхто не читає, або векторної бази, з якої важко зрозуміти, чому саме агент щось «пригадав», WikiSkill формує структуровані записи — по суті, короткі інструкції-нотатки для самого себе на майбутнє.

• Записується як провал, так і успішне рішення — база не лише про заборони, а й про перевірені робочі кроки.
• Стаття прив'язана до конкретної задачі чи типу задач, тож агент звертається до неї саме тоді, коли стикається зі схожою ситуацією.
• Формат вікі означає, що записи можна переглянути й відредагувати людині — на відміну від «чорної скриньки» embedding-пам'яті.

Чому агенти досі так погано пам'ятають власні помилки?

Бо за замовчуванням у більшості агентних фреймворків пам'ять живе рівно стільки, скільки триває один запуск. Контекстне вікно LLM скидається між сесіями, а інженери, які будують агентів, рідко впроваджують окремий шар для збереження та структурування досвіду — це додаткова інфраструктура, яку легко відкласти «на потім». В результаті агент, який автоматизує, скажімо, рефакторинг коду чи заповнення форм у браузері, може роками наступати на одні й ті самі граблі, якщо ніхто спеціально не займається його «навчанням».

Тому в реальних проєктах роль «пам'яті про помилки» часто виконують імпровізовані рішення — нотатки в Slack, коментарі в коді, ручні чек-листи, — які ніхто системно не оновлює і які губляться разом зі зміною команди.

Ймовірно, саме тому Google обрав формат вікі, а не чергову надбудову над векторним пошуком: людям і командам, які підтримують агентів, простіше довіряти й керувати текстовими статтями, ніж непрозорими embedding-кластерами.

Кому це реально стане в пригоді?

Найбільше виграють команди, що будують довготривалих агентів для повторюваних багатокрокових задач — coding-агентів, браузерних агентів, оперативних ботів для внутрішніх процесів. Для них кожен повторний провал — це витрачені токени, час на ретраї й недовіра користувачів.

Уявіть агента, що автоматично рефакторить legacy-код і щоразу натикається на один і той самий застарілий API-виклик, який ламає збірку. Без пам'яті про помилки він перевинаходить те саме виправлення щоразу, спалюючи токени на однакові спроби. WikiSkill у теорії закриває саме цей сценарій — одна занотована помилка позбавляє потреби повторювати цикл спроба-провал-виправлення нескінченно.

• Розробники агентів отримують шаблон, як організувати пам'ять про помилки, не винаходячи власну систему логування з нуля.
• Команди підтримки продукту можуть аудитувати вікі-статті агента так само, як переглядають будь-яку іншу базу знань.
• Менше повторних провалів — менше витрачених викликів моделі на однакові помилки, що напряму впливає на рахунок за інференс.

Висновок AiiN: пам'ять важливіша за розмір моделі

Наша теза: WikiSkill — це визнання того, що наступний стрибок якості агентів прийде не від більшої моделі, а від кращої архітектури пам'яті навколо неї. Поки індустрія змагається у бенчмарках і розмірі контексту, Google натякає, що структурований, читабельний журнал власного досвіду агента — простий і водночас недооцінений інструмент. Для команд, які будують агентів самостійно, висновок практичний: не чекайте, поки постачальник моделі вирішить цю проблему за вас, а закладайте власний шар «пам'яті про помилки» вже зараз — навіть у вигляді банального markdown-файлу, який агент читає перед стартом.

Чим WikiSkill відрізняється від звичайної RAG-пам'яті?

Головна різниця — у форматі та прозорості. RAG зазвичай працює з векторними embedding'ами, з яких складно зрозуміти, чому саме агент витягнув той чи інший фрагмент. WikiSkill записує досвід у вигляді читабельних вікі-статей, які легше переглянути, відредагувати чи видалити вручну.

Чи можна вже підключити WikiSkill до свого агента?

Доступні на цей момент деталі не уточнюють конкретних умов доступу чи інтеграції, тож перш ніж планувати впровадження, варто звірятися з першоджерелом і офіційними матеріалами Google по мірі їх появи.