AIエージェントの経験を「スキル」として永続化するGoogle WikiSkill：ローカルLLMでの移植実験も

近年のAIエージェント開発において、「自分の作業ログを振り返り、動作ルールを自己更新していく」という設計思想が注目されています。この背景にあるのは、エージェントが自律的に学習し、進化していく能力の重要性です。Google ResearchとVirginia Techが発表した論文「WikiSkill」は、この概念をさらに進め、AIエージェントが獲得した経験を「スキル」として形式知化し、これを他のエージェントに移植・共有するメカニズムを提案しています。これは、個々のエージェントの学習コストを削減し、集団としてのAIの知能を高める上で画期的なアプローチです。

技術的意義としては、WikiSkillがエージェントの「経験」を「永続的な知識（スキル）」としてコンパイルする設計思想にあります。これにより、一度学習したスキルは失われることなく、必要に応じて他のエージェントに適用できるようになります。このメカニズムは、コードと自然言語を組み合わせた「メンタルプログラム」として知識をエンコードし、LLM主導のベイズ学習アルゴリズムを用いて推論を行うという、データ効率と計算効率に優れた手法に基づいています。YouTubeの「さつきのOSS研究室」では、このWikiSkillの概念をローカルLLM（35Bモデルから9Bモデルへ）に移植する追試実験が行われ、特定の課題においては性能が向上し、停止しにくくなるという効果が確認されました。しかし、すべての課題で均一な改善が見られたわけではなく、スキル移植の有効性にはまだ課題があることも示されました。

社会・産業への影響として、WikiSkillのようなフレームワークは、AIエージェントの共同作業や知識共有を促進し、より複雑な問題解決や大規模なプロジェクトへの適用を可能にします。例えば、企業の業務プロセス自動化において、特定のエージェントが獲得した業務スキルを他のエージェントに共有することで、全体としての自動化効率が飛躍的に向上する可能性があります。また、オープンソースコミュニティにおけるAIエージェント開発においても、スキルの共有と再利用が活発化し、イノベーションが加速することが期待されます。今後の展望として、WikiSkillの概念は、AIエージェントの「記憶」や「学習」のメカニズムを深掘りする研究をさらに推進するでしょう。特に、異なるモデルサイズやアーキテクチャを持つLLM間でのスキル移植の汎用性や、その際のパフォーマンス最適化が今後の研究課題となります。AIエージェントが自らスキルを創造し、進化させる「HarnessDev」のようなベンチマークも登場しており、この分野の進展は非常に速いと予想されます。