Google cria 'wiki' que permite agentes de IA aprenderem com os próprios erros
O WikiSkill funciona como um caderno permanente onde agentes de inteligência artificial registram o que deu certo e o que falhou, melhorando seu desempenho ao longo do tempo sem precisar ser retreinados
O Google lançou o WikiSkill, um sistema que dá aos agentes de IA (programas que executam tarefas sozinhos) uma memória persistente. Eles registram erros e acertos em uma estrutura tipo wiki e consultam esse histórico para melhorar. Modelos menores com WikiSkill chegam a igualar o desempenho de modelos maiores sem ele.
Pesquisadores do Google criaram o WikiSkill, um sistema que dá aos agentes de IA (programas que realizam tarefas de forma autônoma, como navegar em sites ou organizar arquivos) uma memória persistente — isto é, que não some quando a tarefa termina. Em vez de esquecer tudo após cada execução, esses agentes passam a documentar suas falhas e acertos em uma estrutura parecida com uma wiki, a mesma lógica de organização da Wikipédia, e consultam esse histórico para melhorar nas próximas vezes.
Segundo informou o site The Decoder, que cobriu o lançamento, o sistema funciona como um caderno de aprendizado coletivo: cada vez que um agente resolve (ou não resolve) uma tarefa, ele registra o que funcionou, o que falhou e por quê. Nas rodadas seguintes, ele consulta esse banco de conhecimento antes de agir, evitando repetir os mesmos erros e aproveitando estratégias que já deram certo.
Os testes mostraram que modelos maiores (LLMs com mais parâmetros, ou seja, mais capacidade de processamento) se beneficiam mais do WikiSkill. Mas o dado mais interessante é que modelos menores equipados com o sistema conseguiram igualar o desempenho de modelos maiores que operam sem ele — o que sugere que uma boa memória pode compensar, em parte, a falta de potência bruta.
A novidade é relevante porque agentes de IA costumam partir do zero a cada nova tarefa, mesmo que já tenham enfrentado problemas parecidos antes. Com uma memória compartilhada e acessível, eles deixam de ser aprendizes descartáveis e passam a acumular experiência — uma característica até agora exclusiva de sistemas com treinamento contínuo, que são mais caros e complexos de manter.
