WikiSkill de Google permite a los agentes de IA mantener un wiki de sus propios errores
Un artículo de Google Research describe agentes que anotan lo que salió mal, lo sintetizan en instrucciones reutilizables y mejoran notablemente sin necesidad de volver a capacitarse. Un modelo 9B venció a uno 27B.
Un agente de IA hoy tiene la memoria de un pez dorado. Ejecuta una tarea, comete el mismo error que cometió ayer, termina y se olvida de todo. Un nuevo artículo de Google Research y Virginia Tech, publicado en arXiv el 27 de agosto, propone una solución sorprendentemente de baja tecnología: dejar que el agente conserve una wiki.
El sistema se llama WikiSkill y tiene tres capas. Raw Layer almacena seguimientos de ejecución completos, cada llamada a herramienta y cada resultado, y nunca cambia. La capa Wiki destila ese registro en bruto en notas estructuradas, patrones de fracaso documentados por un lado y estrategias que funcionaron por el otro, creciendo con cada ronda. La capa de habilidades contiene las instrucciones reales que sigue el agente cuando trabaja, empaquetadas como módulos reutilizables llamados habilidades del agente. Si una nueva versión de una habilidad empeora el rendimiento, se puede revertir. Las cifras son sustanciales: Gemini-3.5-Flash pasó del 49,5 por ciento al 68,1 por ciento de precisión, y Qwen-3.6-27B del 39,4 por ciento al 63,3 por ciento. En una comparación, un modelo 9B con WikiSkill superó a un modelo 27B sin él.
Qué está pasando realmente aquí: vale la pena ser preciso sobre lo que se está aprendiendo aquí, porque el lenguaje de marketing en torno a esto se vuelve resbaladizo. El modelo en sí no cambia. Sus pesos, los números fijados durante el entrenamiento, permanecen exactamente como estaban. Lo que cambia son las instrucciones escritas que lee el agente antes de empezar a trabajar. Esto está más cerca de una memoria externa persistente y una mejora rápida automatizada que de un modelo que sigue aprendiendo después del lanzamiento. Esto suena como una degradación, pero podría decirse que es mejor para el uso práctico: las notas son legibles, editables y reversibles, mientras que volver a entrenar un modelo es costoso, lento y opaco. Si desea saber por qué su agente se comporta de cierta manera, puede abrir la wiki y leerla. Ésta es una historia de depuración, no sólo una historia de referencia.
Qué significa esto para usted: la lección inmediata es una que puede aplicar manualmente hoy, sin necesidad de código de investigación. Si utiliza un asistente de inteligencia artificial para una tarea recurrente, mantenga un breve documento de lo que funcionó y lo que falló, y péguelo al comienzo de cada sesión. Esto es WikiSkill en miniatura y el efecto es real. Varios asistentes ya admiten archivos de instrucciones o habilidades guardadas exactamente para esto. Para cualquiera que se base en agentes, el hallazgo que vale la pena tomar en serio es la comparación de tamaños: el conocimiento acumulado de las tareas cerró una brecha que de otro modo le habría costado un modelo tres veces mayor, y los costos de funcionamiento aumentan con el tamaño. Una advertencia justa: estos resultados provienen de las evaluaciones de los propios autores, y un sistema que escribe sus propias instrucciones también puede escribir con un mal hábito y luego seguirlo fielmente. La capa de reversión existe por una razón.
Fuentes
LAION publica 10 millones de horas de vídeo para la investigación de IA abierta
Big Video Dataset extrae 80 millones de vídeos de CommonCrawl, con subtítulos escritos por máquina tanto para imágenes como para sonido. Es sólo para investigación y la cuestión de los derechos de autor se encuentra justo debajo.
