AI エージェントの経験を永続的知識ベースに蓄積するフレームワーク WikiSkill

論文概要

AI エージェントの自律的なスキル獲得において、従来は試行錯誤の履歴が分散しがちであった。本論文では、エージェントの実行経験を永続的な wiki 形式の知識ベースに集約し、それを基に実行可能なスキルを継続的に進化させるフレームワーク「WikiSkill」を提案する。多様なベンチマークとモデルを用いた実験により、WikiSkill は既存のスキル進化手法を安定して上回る性能を示した。

関連研究

近年、LLM ベースのエージェントに対して、相互作用を通じて得られた経験から専門的な知識やワークフローをスキルとして自動抽出・再利用する研究が進められている。しかし、これまでの手法では洞察や知見が最適化の履歴の中に散らばったままになりやすく、イテレーションを跨いだ体系的な再利用が困難という課題があった。本研究は、知識の蓄積レイヤーを明示的に分離することでこの課題を克服している。

新規性と貢献

本研究の最大の新規性は、生データの実行経験、蓄積された知識（wiki）、そして実行可能なスキルの 3 層構造を導入した点にある。経験を一時的な履歴として破棄するのではなく、wiki という持続的な知識ベースに統合・深化させ、それを次のスキル更新の踏み台にすることで、モデルのスケーリングを補完する形でエージェントの性能を向上させる。

提案手法の詳細

WikiSkill は、生実行経験・累積知識・実行可能スキルの分離を特徴とする。各コンポーネントが連携することで、個別の試行錯誤から得られた教訓が単発で終わらず、体系的な知識として蓄積される設計になっている。これにより、後続のスキル更新時に過去の資産を効率的に参照・再利用することが可能となる。

評価・考察

実験では、多様なベンチマークとモデル構成において検証が行われた。その結果、WikiSkill は既存のスキル進化手法を上回る性能を記録した。また、モデルの規模拡大とスキル進化が補完関係にあることが示され、スキルを導入した小規模モデルは、スキルを持たない大幅に大規模なモデルの性能を凌駕することが確認された。さらに、他モデルで進化したスキルが別のモデルへ効果的に転移可能であることも実証されている。

応用例と今後の展望

実務インフラとして AI エージェントを導入するソフトウェア開発やカスタマーサポートの分野において、エージェントの試行錯誤を組織的なナレッジ（wiki）として残し、継続的にスキルをアップデートする基盤として応用できる。日本のソフトウェア開発企業における自動化エージェント運用や、社内ヘルプデスクの最適化において、モデルパラメータを直接いじらずにエージェントの知能を向上させる実用的なアプローチを提供する。

結論

WikiSkill は、エージェントの実行経験を永続的な知識ベースへと組織的にコンパイルし、スキル進化を促進する有効なフレームワークである。知識の蓄積がスキル進化において不可欠であることを実証し、モデルを跨いだスキルの汎用性やスケーリングとの相乗効果を示した。

注釈

• AI エージェント: LLM を中核に据え、環境との相互作用を通じて自律的にタスクを遂行するシステム。
• スキル進化: エージェントが自身の実行経験から新しい機能やワークフローを自動的に抽出し、改善するプロセス。