WikiSkill: Google Yapay Zeka Ajanlarinin Beceri Gelisimi Icin Yeni Bir Cerceve Sunuyor

Google Research ve Virginia Tech ortakligiyla gelistirilen WikiSkill, yapay zeka ajanlarinin beceri gelisimini yeni bir seviyeye tasiyor. arXiv’de yayinlanan (2608.27454) yeni arastirma, ajan calisma alanini ucun katmanli bir bilgi mimarisiyle yeniden dusunuyor.

Uc Katmanli Bilgi Mimarisi

WikiSkill’in temel yeniligi, ajan calisma alanini uc ayri katmana ayirmasidir. Birincil katman degistirilemez ham izleme katmani, basarili ve basarisiz tüm ajan calismalarini saklar. Wiki katmani kalici ve birikimli bir bilgi tabani olarak basari ve basarisizlik orneklerini, evrim kayitlarini ve ongorulen beceri etkilerini belgeler. Beceri katmani ise ajanin kullandigi aktif ve calistirilabilir prosedur becerilerini icerir.

Dort Bilesenli Evrim Dongusu

Sistem, dort ana bilesenden olusan bir evrim dongusu ile calisiyor. Cikarim Ajan aktif becerileri kullanarak gorevleri gerceklestirir ancak wikiye erisimi yoktur. Wiki Bakimcisi izlemeleri analiz ederek stratejileri cikarir ve kalici wikiyi gunceller. Beceri Onerici wiki ve izlemeleri okuyarak yeni beceriler olusturmayi veya mevcut becerileri yamalamayi önerir. Onay ve Geri Alma ise oneri degerlendirme seti uzerinde test eder ve performans iyilestirmesi saglanirsa beceriyi kabul eder.

Benchmark Sonuclari: Rekababetci Yontemleri Geride Birakti

WikiSkill, bes farkli benchmark’ta (LiveMathematicianBench, SealQA, SpreadsheetBench, OfficeQA ve ALFWorld) bes farkli model ile test edildi. Gemini-3.5-Flash uzerinde WikiSkill ortalama %68,1 basari orani elde etti. En guclu rekabetci yontem olan %56,1 ve becerisiz taban %49,5 oranlarinin onunde yer aldi.

Model olcekleme kazanimlari da dikkat cekici. Qwen ailesinde WikiSkill kazanimlari model boyutuyla artiyor: %12,3 (4B), %17,5 (9B) ve %23,9 (27B). Ucuncu bir bulgu olarak, daha kucuk bir model WikiSkill kullanimiyla daha buyuk bir modeli geride birakabiliyor. Ornegin, Qwen-3.5-9B WikiSkill ile %47,4 elde ederken, becerisiz Qwen-3.6-27B %39,4 ile kaldi.

Cercevenin Temel Buluslari

Arastirmacinin en onemli bulgusu, kalici bilginin kritik onem tasidigidir. Wiki katmani olmadan beceri onerme, karmaşik basarisizlik modlarini cozmede zorlanarak son beceri kalitesini düsürüyor. Beceriler ayrica modeller arasinda yüksek dogrulukla aktarilabiliyor; bazen baska modelden aktarilan beceriler, modelin kendi becerilerinden daha basarili oluyor.

Arastirmayi yapan ekip: Liyan Tang, Cyrus Rashtchian, Chun-Sung Ferng, Andrew Tomkins, Da-Cheng Juan ve Tu Vu (Google Research ve Virginia Tech).

Ucgenci gelistiriciler icin temel cikarim: Beceri gelistirme sureclerinde basarisizliklarin kaydini ve reddetme gecmisini kalici bir sekilde saklamak, optimizatorun okuyabilecegi bir yerde tutmak, uzun vadeli performans artisi saglayacaktir.

• Kaynak: Rohan Paul (@rohanpaul_ai)
• Paper: WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution
• Tarih: 29 Agustos 2026

Bu haber, AI haberleri için aihaber.org tarafindan yayinlanmistir.