Google WikiSkill Capacita Agentes de IA com Memória Persistente para Aprender com Erros

Pesquisadores do Google Research anunciaram o WikiSkill, uma inovação que fornece aos agentes de inteligência artificial uma memória persistente. Este framework permite que as IAs documentem suas experiências, incluindo erros e acertos, em uma estrutura semelhante a um wiki, utilizando esse conhecimento para refinar suas habilidades continuamente. Isso é crucial para o desenvolvimento de IAs mais autônomas e eficazes, impactando desde assistentes virtuais até sistemas complexos de automação.

A ideia central do WikiSkill é superar a limitação de muitos agentes de IA que descartam o que aprenderam após cada execução. Em vez disso, o sistema coleta informações sobre falhas e sucessos, empacotando-as em 'Agent Skills' – módulos reutilizáveis que guiam o comportamento do agente sem alterar seu treinamento original. Embora o agente não 'aprenda' de forma contínua no sentido tradicional, ele consegue escrever instruções melhores para si mesmo e acessá-las em execuções futuras, funcionando como uma solução eficaz para o aprimoramento progressivo, conforme detalhado por The Decoder.

O conceito por trás do WikiSkill se baseia em uma perspectiva de Andrej Karpathy sobre a 'LLM Wiki', que defende a compilação de experiências em um conhecimento persistente e cumulativo. O Google WikiSkill aplica essa filosofia ao desenvolvimento automático de habilidades para agentes de IA.

Como o WikiSkill funciona: Três camadas de conhecimento

O WikiSkill organiza o ambiente de trabalho de um agente de IA em três camadas distintas:

• Raw Layer (Camada Bruta): Armazena rastros completos de execução, desde chamadas de ferramentas até resultados. Esses dados são imutáveis e servem como material de base.
• Wiki Layer (Camada Wiki): É onde os dados brutos são destilados em insights estruturados, como padrões de falha documentados e estratégias bem-sucedidas. Esta camada de conhecimento nunca é resetada, apenas cresce a cada iteração, segundo os pesquisadores.
• Skill Layer (Camada de Habilidades): Contém as instruções procedimentais ativas que o agente segue ao executar tarefas. Diferente da wiki, as habilidades podem ser revertidas caso uma atualização prejudique o desempenho.

O processo começa com um agente de inferência executando tarefas e gerando rastros de execução. Um 'Wiki Maintainer' analisa esses rastros, identifica padrões e estratégias e os registra na wiki. Em seguida, um 'Skill Proposer' utiliza a wiki atualizada e os dados de execução para sugerir mudanças nas habilidades. Finalmente, um mecanismo de validação testa a mudança proposta em um conjunto de dados separado para confirmar sua eficácia. Se a mudança não ajudar, a habilidade é revertida, mas a wiki permanece intacta, documentando o que foi tentado e por que falhou, permitindo que o Skill Proposer construa sobre esse conhecimento em iterações futuras.

Resultados e desempenho

Os pesquisadores testaram o WikiSkill em cinco benchmarks que cobrem raciocínio matemático, busca na web, manipulação de planilhas, resposta a perguntas em documentos e tarefas interativas em um ambiente virtual. Foram utilizados modelos como Qwen (4B, 9B, 27B), Gemma-4-31B e Gemini-3.5-Flash.

O WikiSkill superou consistentemente todos os métodos anteriores de evolução de habilidades avaliados no estudo. Em média, o framework elevou o desempenho do Gemini-3.5-Flash de 49,5% para 68,1% e o do Qwen-3.6-27B de 39,4% para 63,3%. Em benchmarks individuais, os saltos foram ainda maiores: o Gemini-3.5-Flash subiu de 33,0% para 72,6% em LiveMath e de 50,5% para 76,6% em SpreadSheet.

Os ganhos variaram significativamente por tipo de tarefa. Problemas matemáticos e manipulação de planilhas apresentaram as maiores melhorias, enquanto tarefas com contextos de documentos longos (OfficeQA) mostraram ganhos menores. Os pesquisadores notaram que modelos menores, como o Qwen-3.5-4B, tiveram dificuldade em executar estratégias de busca multi-etapas evoluídas em contextos longos, retornando ao seu comportamento padrão.

Modelos maiores tendem a se beneficiar mais das habilidades evoluídas. No entanto, modelos menores rodando WikiSkill podem igualar o desempenho de modelos maiores que não utilizam o framework. Habilidades desenvolvidas por um modelo frequentemente podem ser transferidas para outro, e às vezes funcionam até melhor do que as habilidades que o modelo receptor construiu por conta própria. A transferibilidade, no entanto, deve ser verificada caso a caso.

O que muda na prática

• Agentes de IA mais eficientes e confiáveis: O WikiSkill permite que os agentes aprendam com seus próprios erros e sucessos, resultando em um desempenho aprimorado e mais consistente ao longo do tempo.
• Melhor desempenho em tarefas complexas: Especialmente em áreas como raciocínio matemático e manipulação de planilhas, os agentes de IA demonstraram melhorias significativas, tornando-os ferramentas mais poderosas para análise de dados e resolução de problemas.
• Democratização do acesso à IA avançada: Modelos de IA menores, ao utilizar o WikiSkill, podem alcançar o desempenho de modelos maiores que não possuem o framework. Isso significa que capacidades avançadas de IA podem se tornar mais acessíveis e eficientes em hardware menos robusto.
• Potencial para transferência de conhecimento: A capacidade de transferir habilidades entre diferentes modelos pode acelerar o desenvolvimento de novas aplicações de IA e otimizar a adaptação de modelos existentes para novas tarefas.

Apesar dos avanços, o desafio do 'aprendizado contínuo' verdadeiro para IAs ainda permanece sem solução. O WikiSkill representa uma abordagem engenhosa para contornar essa limitação atual. A aplicabilidade da transferência de habilidades entre modelos, embora promissora, ainda requer validação individual para cada caso de uso específico, o que sugere que futuros estudos se concentrarão em refinar e generalizar essa capacidade.