WikiSkill do Google dá aos agentes de IA uma memória de falhas

O mais recente framework de agentes do Google foca em persistência, não em retreinamento

O Google Research introduziu um sistema chamado WikiSkill que tenta resolver uma fraqueza familiar em agentes de IA: eles frequentemente terminam uma tarefa, descartam a experiência e iniciam a próxima execução com pouca memória prática do que deu errado antes. O WikiSkill aborda isso pareando um agente com uma base de conhecimento persistente, semelhante a um wiki, que registra falhas e sucessos e usa esse registro para melhorar o desempenho futuro.

A premissa é direta. Em vez de tratar cada execução como descartável, o framework captura o que aconteceu durante a execução, destila esses resultados em conhecimento estruturado e transforma as lições mais úteis em orientações comportamentais reutilizáveis. As instruções resultantes são empacotadas como o que a fonte descreve como "Agent Skills" (Habilidades de Agente), módulos que podem moldar como um agente se comporta sem alterar o treinamento original do modelo.

Essa distinção é importante. O WikiSkill não é apresentado como verdadeiro aprendizado contínuo no nível do modelo. A fonte observa explicitamente que o aprendizado contínuo continua sendo um problema não resolvido. O que o WikiSkill oferece é uma memória externa e um ciclo de autoaperfeiçoamento: o agente escreve melhores instruções para si mesmo, armazena-as e as consulta posteriormente. É um workaround, mas um que o relatório descreve como eficaz.

Uma arquitetura de três camadas separa logs, conhecimento e ação

O WikiSkill organiza o espaço de trabalho do agente em três camadas. Na base está a Camada Bruta (Raw Layer), que armazena traces de execução completos, incluindo chamadas de ferramentas e resultados. Essa camada é imutável, servindo como o registro base do que o agente realmente fez. Acima dela está a Camada Wiki, onde esses traces brutos são convertidos em observações estruturadas, como estratégias bem-sucedidas e padrões de falha recorrentes. No topo está a Camada de Habilidades (Skill Layer), que contém as instruções procedurais ativas que o agente usa ao executar tarefas.

Essa separação é uma das escolhas de design mais fortes do framework. Traces brutos preservam evidências. O wiki converte evidências em conhecimento cumulativo. As habilidades traduzem conhecimento em comportamento operacional. Ao dividir o sistema dessa forma, o WikiSkill evita colapsar tudo em um único armazenamento de memória opaco.

Ele também lida com a revisão com cuidado. De acordo com a fonte, a Camada Wiki apenas cresce e não é redefinida entre iterações. A Camada de Habilidades é mais provisória. Se uma nova atualização de habilidade prejudicar o desempenho, ela pode ser revertida. Isso significa que o framework trata conhecimento durável e política ativa de forma diferente: o conhecimento se acumula, mas o comportamento permanece testável e reversível.

Como funciona o ciclo de melhoria

O ciclo de atualização tem quatro partes. Primeiro, um agente de inferência executa tarefas usando o conjunto de habilidades atual e gera traces de execução. Em seguida, um componente chamado Mantenedor do Wiki (Wiki Maintainer) analisa esses traces, identifica modos de falha e táticas eficazes e escreve as descobertas no wiki. Um Propositor de Habilidades (Skill Proposer) usa tanto o wiki atualizado quanto os dados de execução para sugerir mudanças direcionadas nas habilidades do agente. Finalmente, um mecanismo de portão avalia a atualização proposta em um conjunto de validação separado e só mantém a mudança se ela ajudar.

Esse último passo é essencial. Sistemas que permitem que agentes reescrevam seus próprios procedimentos podem degradar rapidamente se toda revisão for aceita. O portão de validação do WikiSkill é projetado para impedir esse desvio. Se uma habilidade proposta falhar no teste, o sistema descarta a atualização da habilidade, mas preserva o conhecimento subjacente registrado no wiki.

Mesmo propostas falhas tornam-se entradas úteis. A fonte diz que o wiki documenta o que foi tentado e por que falhou, o que dá às iterações posteriores mais contexto. Na prática, o sistema não apenas lembra táticas bem-sucedidas. Ele também lembra direções improdutivas e pode evitar repeti-las cegamente.

Por que a memória de falhas pode ser importante para a confiabilidade dos agentes

O significado mais amplo do WikiSkill não é meramente que os agentes possam acumular notas. É que a falha se torna informação de primeira classe. Em muitos pipelines de agentes, a falha aparece apenas como um resultado ruim imediato: uma tarefa é perdida, uma ferramenta é mal utilizada ou uma cadeia de instruções colapsa. A menos que os desenvolvedores inspecionem manualmente os logs e revisem os prompts, esses erros não são convertidos em conhecimento operacional persistente.

O WikiSkill tenta automatizar essa conversão. Ao documentar padrões de falha e estratégias bem-sucedidas em uma camada durável, o framework dá ao agente uma maneira de melhorar o comportamento ao longo do tempo sem exigir uma nova rodada de treinamento do modelo. Isso pode ser particularmente relevante em ambientes onde os agentes enfrentam repetidamente tarefas semelhantes e onde o uso de ferramentas, sequenciamento e tratamento de exceções importam tanto quanto a habilidade linguística bruta.

O framework também reflete uma tendência crescente no design de sistemas de IA: empurrar mais inteligência para o scaffolding ao redor do modelo, em vez de para os pesos do próprio modelo. Memória, validação, rollback e autodocumentação estruturada são todas formas de engenharia operacional. Elas não resolvem o problema de aprendizado mais difícil, mas ainda podem trazer ganhos mensuráveis.

Um "LLM Wiki" passa da ideia à implementação

O trabalho se baseia em um conceito associado na fonte a Andrej Karpathy: a ideia de um "LLM Wiki", um armazenamento cumulativo de experiência que um sistema de IA pode construir e consultar ao longo do tempo. O WikiSkill aplica essa ideia especificamente ao desenvolvimento de agentes. Em vez de um despejo de memória geral, ele cria um processo para transformar traces em procedimentos reutilizáveis e testáveis.

Esse foco em procedimento é importante. Um agente não precisa apenas de fatos; ele precisa de um melhor senso de como agir. Qual ferramenta deve usar primeiro? Quais padrões de falha devem acionar um caminho diferente? Qual estratégia funcionou antes em uma situação semelhante? A resposta do WikiSkill é formalizar essas lições como habilidades, preservando a base de evidências por baixo delas.

Ainda há tradeoffs. A fonte observa que o método é provavelmente mais propenso a erros do que o aprendizado genuíno. Armazenamentos de conhecimento externos podem codificar interpretações falhas, e instruções autoescritas podem derivar para heurísticas frágeis se não forem validadas cuidadosamente. Mas o mecanismo de portão e o modelo de rollback mostram que os pesquisadores estão tratando esse risco como parte do problema de design.

Por enquanto, a mensagem é clara: a memória persistente pode ser uma das maneiras mais práticas de melhorar os agentes antes que o aprendizado contínuo verdadeiro seja resolvido. O WikiSkill sugere que os agentes não precisam de retreinamento para melhorar em trabalhos repetidos. Eles podem simplesmente precisar de uma maneira estruturada de lembrar o que aconteceu, o que falhou e o que deve ser tentado na próxima vez.

Este artigo é baseado em reportagem do The Decoder. Leia o artigo original.