大家好，我是PaperAgent，不是Agent！
8.27日，Google在同一天发了两篇 Agent Skill 论文：一篇WikiSkill，讲Skill技能怎么越进化越聪明；我用字节Agent做了个科研Skill，3小时干完一天的活
一篇SKILL.state，发表在EMNLP，讲Skill技能怎么跑得又稳又省。
一个管学习，一个管执行，合起来正好拼出谷歌对 Agent Skill 的完整押注：技能不仅要能进化，还要能扛住长程执行。办公Agent炸锅！豆包工作远超预期
WikiSkill：给技能进化装上一个维基百科
2.1 核心思想：经验 → 知识 → 技能
WikiSkill 的灵感来自 Karpathy 提出的 LLM Wiki 概念：把经验编译成持久的、可复利的知识。以往的技能进化方法里，指导技能开发的洞察散落在各轮优化历史里，下一轮进化基本用不上。WikiSkill 在原始经验和可执行技能之间，插进了一个结构化知识层（Wiki）。
先直接看疗效：在五个基准的平均准确率上，WikiSkill 不仅稳定碾压无技能基线，还超过了 EvoSkill、SkillOpt 等现有进化方法。更有意思的是——模型越强，WikiSkill 的优势越明显。
2.2 三层架构 + 四步进化循环
WikiSkill 把 Agent 工作区组织成三层：
每一轮迭代跑四个角色：
Inference Agent：带着当前技能在训练集上跑 rollout（注意：它不能看 Wiki）； Wiki Maintainer：对轨迹做根因分析，把失败模式和成功策略固化成 wiki 里的 pattern 页面； Skill Proposer：以 ReAct 方式读 wiki 索引、技能影响追踪器，按需翻阅具体轨迹，提出原子化的技能更新； Gating & Rollback：候选技能在验证集上打分，好了才收，差了就回滚——但 Wiki 永远不回滚，失败的提案记录也会留下来，防止下次重蹈覆辙。
这个技能可回滚、知识不回滚的不对称设计，是全文最精妙的一笔：技能是易错的假设，知识是沉淀的资产。
2.3 主实验：全面、稳定地赢
Table 1 是硬菜：5 个模型（Qwen-3.5-4B/9B、Qwen-3.6-27B、Gemma-4-31B、Gemini-3.5-Flash）× 5 个基准（数学推理 LiveMath、搜索 SealQA、表格操作 SpreadSheet、长文档问答 OfficeQA、具身交互 ALFWorld）。几个亮点：
相比最强对手，WikiSkill 平均分分别高出 3.3 / 5.1 / 10.0 / 5.8 / 12.0 分； Gemini-3.5-Flash 在 LiveMath 上从 33.0% 飙到 **72.6%**，SpreadSheet 从 50.5% 到 **76.6%**； 对手们则很不稳定：EvoSkill 能把 Qwen-9B 的 LiveMath 从 28.2% 拉到 58.1%，却会把 Gemma-4-31B 从 33.9% 拉到 29.8%（负优化）。
2.4 最反直觉的发现：技能进化与模型 scaling 互补
论文里两个结论值得加粗：
（1）模型越大，从技能进化中获益越多。 Qwen 家族内，WikiSkill 带来的平均提升分别是 +12.3（4B）、+17.5（9B）、+23.9（27B）个百分点。SpreadSheet 上更夸张：+6.5 / +9.3 / +40.9。
（2）但技能又能让小模型”越级打怪”。 Qwen-3.5-9B + WikiSkill 拿到 47.4% 平均分，反超了无技能的 Qwen-3.6-27B（39.4%）——三倍参数差距，被一份进化出的技能抹平了。
2.5 技能还能跨模型转移，甚至比自己进化的还好用
Table 2 揭示了一个很有意思的现象：发现技能的能力和执行技能的能力是两种能力。
Qwen-3.6-27B 进化出的技能，给 Qwen-3.5-9B 用在 ALFWorld 上拿到 70.2%，比 9B 自己进化的技能（63.4%）还高； 甚至小模型的技能也能帮大模型：Qwen-3.5-4B 的技能把 Gemma-4-31B 的 LiveMath 推到 73.1%； 但转移也会翻车：Qwen-3.5-4B 的 SpreadSheet 技能把 Gemini-3.5-Flash 从 50.5% 坑到 18.1%——因为小模型的技能里写满了”单行 Python 命令”之类的低级补丁，束缚了强模型写端到端脚本的手脚。
结论：通用程序性知识可转移，模型特异的 workaround 会负迁移。
2.7 案例解剖：一次 Wiki 指导的技能进化
Figure 3 追踪了 Qwen-3.6-27B 在 ALFWorld 上的真实进化过程：
第 0 轮：Wiki 记录了”拿东西→检查→移动”的死循环模式；Proposer 提出 goal-directed-action 技能，太抽象，被验证集拒绝——但拒绝记录留在了 skill-impact.md 里； 第 1 轮：Proposer 参考失败历史，提出更具体的 break-repetition-loop（规则：“永远不要把物品放回原处”），被接受； 第 4 轮：随着新的循环变体出现，Wiki 持续累积证据，技能被进一步精炼出”每种操作对每件物品只做一次”的规则。
这就是”审计轨迹驱动进化”的完整闭环。
Table 4 还给了组有趣的数据：Qwen 系模型写出的技能更长（119~129 行），Gemma 和 Gemini 更精简（45 / 81 行）；SpreadSheet 产出的技能最长（142.5 行）、Wiki 模式最多（9.8 个），LiveMath 最短最少。技能形态，确实是模型和任务共同塑造的。
三、SKILL.state：把技能执行从聊天记录改成状态机
如果说 WikiSkill 关心技能的生产，SKILL.state 关心的就是技能的消费——执行。填补空白！首篇多模态Agentic框架前沿综述
3.1 问题：对话式执行迟早被自己的历史拖死
现在几乎所有 Agent 运行时都是同一个模式：每一步都把原始技能说明 + 不断膨胀的历史记录（推理、动作、观察、工具输出）塞给模型。后果是：
Prompt 随执行步数线性增长，累计 token 开销是 **O(T²)**； 过期的观察和推理赖在上下文里不走，模型要不断区分”现在的事实”和”历史的垃圾”——长程任务下这就是”上下文中毒”。
3.2 方案：每一步只看三样东西
SKILL.state 把执行重构为显式状态转移（Figure 1）。每一步模型只收到：
P：不可变的技能说明书； Σt：结构化的当前执行状态（JSON）； ot：最新一条环境观察。
模型输出推理轨迹 Rt、状态补丁 ΔΣt 和动作 at；运行时确定性地校验补丁、合并进状态（Σt+1 = Σt ⊕ ΔΣt），然后——把推理轨迹永久丢弃。步内的多步 CoT 推理完全保留，但只要状态转移一验证，推理就进不了下一个 prompt。
结果：Prompt 大小变成 **O(1)**，累计 token 变成 **O(T)**。状态 schema 按领域写一次即可，比如 InterCode CTF 全部 100 道题共用同一个 5 字段 schema。
3.3 实验一：长程 scaling，16 倍省 token 还更准
在自建的 SkillExecBench 仓库管理环境（500 个货架，T 从 10 拉到 200）上：
T=100 时，Stateful（LangGraph 式）基线烧掉 1,062,387 token，SKILL.state 只用 65,408——16.2 倍压缩，准确率还更高（0.94 vs 0.91）； T=200 时，Memory 基线膨胀到 6.1M token，SKILL.state 只要 122k，准确率 0.94 对 0.84； Prompt 大小始终钉在 1,736~1,905 token，一条平线。
3.4 实验二、三：抗噪 & 状态恢复
往观察里灌系统遥测垃圾（每步最多 50 条干扰事件）：标准 ReAct 从 0.68 崩到 0.53，SKILL.state 全程 ≥0.97——干扰信息在生成状态补丁时就被过滤了，根本进不了后续 prompt。
更狠的是”静默环境漂移”测试：外部角色偷偷改世界状态。历史型基线会连着幻觉 5~8 步（旧事实压过新观察），SKILL.state 零恢复步数——它只信当前状态，纠正警报一到，状态立刻更新。
3.5 实验四：真实基准全面领先
InterCode CTF（100 道 Linux 渗透题）：pass@1 达 **54.2%**，比最强基线高 7.8 分，总 token 比 ReAct 省 60.4%；每步 prompt 只有 813 token； τ-Bench Retail：58.3% 通过率，成本最低； τ-Bench Airline（基线 prompt 峰值超 11,000 token/步）：SKILL.state 平在 ~2,800 token/步，通过率 32.4%，省 40%+ token。
3.6 实验五：不是”短就好”，是”结构化才好”
有人可能会说：你赢是不是只因为 prompt 短？作者把基线全部压到同样的 ~1,800 token 预算下对比——滑窗截断崩到 0.18（早期库存分配被踢出窗口），LLMLingua 压缩崩到 0.22（统计熵过滤把”看着冗余其实关键”的货架 ID 删了），而 SKILL.state 是 0.94。结论：赢的是结构化状态，不是压缩。
https://arxiv.org/pdf/2608.27454
WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
SKILL.state: Scalable Long-Horizon Agent Skills
https://arxiv.org/pdf/2608.26263