Google gibt KI-Agenten ein Wiki – damit sie aus Fehlern lernen

Dazwischen laufen drei Rollen im Kreis: Ein Agent erledigt die Aufgaben, ein «Wiki Maintainer» wertet die Protokolle aus, ein «Skill Proposer» leitet daraus eine konkrete Änderung an einer Anleitung ab. Ein Gate prüft an einem separaten Testset, ob die Änderung wirklich hilft – wenn nicht, wird der Skill zurückgerollt. Das Wiki bleibt trotzdem stehen, auch gescheiterte Versuche sind dokumentiert und werden nicht zweimal probiert.

Das Format ist dabei kein Google-Sonderweg: Es sind Ordner mit einer SKILL.md-Datei – genau der offene Standard, den Anthropic für Agent Skills publiziert hat. Die Wiki-Idee stammt laut The Decoder aus einem Gedankenexperiment von Andrej Karpathy zum «LLM Wiki», das der Preprint auch selbst zitiert.

9 Milliarden schlagen 27 Milliarden

Die interessanteste Zahl steckt im Vergleich der Modellgrössen. Qwen-3.5-9B mit WikiSkill-Skills kommt im Schnitt auf 47,4 Prozent – und liegt damit vor Qwen-3.6-27B ohne Skills mit 39,4 Prozent. Ein Modell mit rund einem Drittel der Parameter schlägt das grössere, nur weil es bessere Anleitungen mitbekommt.

Dass wirklich das dauerhafte Wiki den Unterschied macht und nicht bloss die Schleife an sich, zeigt der Ablationstest: Ohne Zugriff auf das persistente Wiki sinkt der Schnitt über vier Benchmarks von 63,7 auf 48,7 Prozent.

Der Haken: Die Gewinne sind ungleich verteilt. Bei Tabellenkalkulation legte Qwen-3.6-27B um 40,9 Punkte zu, bei Fragen an lange Dokumente sind die Zuwächse klein – und das kleinste getestete Modell wurde dort sogar leicht schlechter (30,2 auf 28,5 Prozent).

Skills, die den Besitzer wechseln

Die zweite Überraschung: Die entwickelten Anleitungen sind übertragbar, auch über Modellfamilien hinweg. Gemma-4-31B erreicht bei den Matheaufgaben mit selbst entwickelten Skills 56,7 Prozent, mit Skills von Qwen-3.6-27B dagegen 73,7 Prozent. Fremdes Wissen schlägt hier das eigene.

Verlassen kann man sich darauf nicht. In der Gegenrichtung geht es auch schief: Gemini 3.5 Flash fällt bei Tabellenkalkulation mit Skills des kleinen Qwen-3.5-4B von 50,5 auf 18,1 Prozent ab. Anleitungen, die Schwächen eines bestimmten Modells umgehen, können bei einem anderen aktiv schaden.

Vielversprechend, aber noch nicht abgeholt

Bleib nüchtern beim Einordnen. Das ist ein Preprint ohne Peer Review, ein öffentliches Code-Repository ist im Papier nicht verlinkt, und die Autoren nennen ihre Grenzen selbst: Die Skills wurden vollständig in den Prompt geschrieben – ob ein Agent unter vielen Skills den richtigen findet, wurde gar nicht getestet. Das Wiki wächst zudem unbegrenzt, ein Aufräum-Mechanismus fehlt.

Trotzdem ist die Richtung praktisch relevant. Wer in der Schweiz aus Datenschutzgründen lieber ein kleineres Open-Weight-Modell im eigenen oder einem hiesigen Rechenzentrum betreibt statt ein Frontier-Modell aus der Cloud, findet hier den interessanteren Hebel: nicht das nächstgrössere Modell kaufen, sondern die Arbeitsanleitungen systematisch pflegen. Und weil das simple Markdown-Dateien sind, kannst du sie lesen, versionieren und im Zweifel selbst korrigieren – ein Vorteil, den ein undurchsichtiger Gedächtnisspeicher nicht bietet.

Für dich heisst das konkret: Wenn dein Agent denselben Fehler zum dritten Mal macht, ist das kein Modellproblem, sondern ein Dokumentationsproblem.