Как WikiSkill запоминает ошибки ИИ-агентов без промпта
Современные ИИ-агенты часто совершают одни и те же ошибки: неверно интерпретируют задачу, выбирают неоптимальный инструмент или забывают о предыдущих неудачах. Обычно эту проблему решают добавлением инструкций в промпт, но это раздувает контекст и замедляет работу.
Главное
- WikiSkill хранит уроки из ошибок во внешней базе, а не в промпте
- Агент получает релевантные подсказки по запросу, экономя токены
- Система накапливает знания итеративно, улучшая точность со временем
- Подход снижает нагрузку на контекст и ускоряет выполнение задач
- Технология перспективна для долгосрочных автономных сценариев
Современные ИИ-агенты часто совершают одни и те же ошибки: неверно интерпретируют задачу, выбирают неоптимальный инструмент или забывают о предыдущих неудачах. Обычно эту проблему решают добавлением инструкций в промпт, но это раздувает контекст и замедляет работу. Google предложила иной подход — систему WikiSkill, которая выносит память об ошибках за пределы промпта.
WikiSkill работает как внешний модуль памяти. Когда агент допускает ошибку, система анализирует её и формирует краткое правило или «урок», который сохраняется в отдельной базе. В следующий раз агент обращается к этой базе не через промпт, а через специальный механизм поиска — например, по ключевым словам или векторному сходству. Таким образом, агент получает релевантные подсказки только в момент необходимости, не засоряя основной контекст.
Ключевое преимущество — экономия токенов и повышение точности. Промпт остаётся компактным, а знания накапливаются итеративно: чем больше ошибок исправлено, тем богаче база. Это особенно полезно для долгосрочных задач, где агент работает с большим объёмом данных и не может удержать все детали в памяти. Пока WikiSkill находится в стадии исследования, но уже демонстрирует, как можно сделать ИИ-агентов более автономными и обучаемыми без ручного вмешательства в каждый запрос.