WikiSkill: Framework ermöglicht KI-Agenten persistentes Lernen aus Erfahrungen

Hinweis: Dieser Beitrag wurde mit künstlicher Intelligenz erstellt.

Worum geht’s?

Google Research hat WikiSkill entwickelt, ein Framework, das KI-Agenten ermöglicht, Erkenntnisse aus vergangenen Aufgaben dauerhaft zu speichern. Anders als herkömmliche Ansätze, bei denen Erfahrungen nach jedem Durchlauf verloren gehen, dokumentiert das System Erfolge und Fehlschläge in einer Wiki-artigen Struktur. Die gespeicherten Informationen fließen in die Entwicklung neuer Fähigkeiten ein, ohne die ursprünglichen Modellparameter zu verändern.

Hintergrund & Einordnung

WikiSkill arbeitet mit einer dreischichtigen Architektur: Zunächst werden Rohdaten aus Aufgabenausführungen gesammelt. Daraus extrahiert ein spezialisierter Agent Muster und Beobachtungen, die in eine Wissensbasis überführt werden. Auf dieser Grundlage entstehen konkrete Fähigkeiten, die das Verhalten des Agenten steuern. Der Prozess läuft in vier Schritten ab: Ein Inferenz-Agent führt Aufgaben aus, ein Wiki-Pflege-Agent analysiert die Ergebnisse, potenzielle Skill-Updates werden abgeleitet und anschließend validiert.

In Tests über verschiedene Benchmarks, darunter mathematische Problemstellungen und interaktive Umgebungen, zeigte sich eine deutliche Leistungssteigerung. Besonders größere Modelle profitieren von der Methode, doch auch kleinere Modelle können aufschließen. Die entwickelten Fähigkeiten lassen sich zwischen verschiedenen Modellen und sogar über Modellfamilien hinweg übertragen. Skills, die von großen Modellen entwickelt wurden, können kleinere Modelle nutzen und deren Leistung verbessern.

Was bedeutet das?

KI-Agenten erhalten erstmals ein persistentes Gedächtnis, das Erkenntnisse über einzelne Sitzungen hinaus bewahrt.
Die Architektur trennt Rohdaten, Wissenssammlung und anwendbare Fähigkeiten, was gezielte Verbesserungen ohne Neutraining ermöglicht.
Die Übertragbarkeit von Skills zwischen Modellen eröffnet neue Möglichkeiten für die Zusammenarbeit unterschiedlich großer Systeme.
Der Multi-Agenten-Ansatz mit spezialisierten Rollen für Ausführung, Analyse und Validierung schafft Qualitätssicherung im Lernprozess.