// Kontinuierliches Lernen aus Erfahrung und Fähigkeiten // Fähigkeiten sind so gut, wenn man sie richtig mit MCP & CLIs kombiniert. Ich habe festgestellt, dass Fähigkeiten die Nutzung von Werkzeugen meiner Programmieragenten erheblich verbessern können. Der beste Weg, sie zu verbessern, besteht darin, regelmäßig Verbesserungen, Muster und Dinge, die man vermeiden sollte, zu dokumentieren. Selbstverbessernde Fähigkeiten funktionieren (noch) nicht so gut. Schau dir dieses verwandte Papier zu dem Thema an: Es führt XSkill ein, ein duales kontinuierliches Lernframework. Agenten destillieren zwei Arten von wiederverwendbarem Wissen aus vergangenen Trajektorien: Erfahrungen für die Auswahl von Werkzeugen auf Aktionsniveau und Fähigkeiten für die Planung und Arbeitsabläufe auf Aufgabenebene. Beide basieren auf visuellen Beobachtungen. Während der Akkumulation vergleichen Agenten erfolgreiche und fehlgeschlagene Rollouts über eine Kreuz-Rollout-Kritik, um qualitativ hochwertiges Wissen zu extrahieren. Während der Inferenz rufen sie relevante Erfahrungen und Fähigkeiten ab und passen sie an den aktuellen visuellen Kontext an. Bewertet über fünf Benchmarks mit vier Backbone-Modellen übertrifft XSkill konsequent die Baselines. Auf Gemini-3-Flash springt die durchschnittliche Erfolgsquote von 33,6 % auf 40,3 %. Fähigkeiten reduzieren die Gesamtfehlerquote bei Werkzeugen von 29,9 % auf 16,3 %. Agenten, die Wissen aus ihren eigenen Trajektorien ansammeln und wiederverwenden, werden im Laufe der Zeit besser, ohne Parameteraktualisierungen. Ich habe diese Woche nun zwei Papiere mit ähnlichen Ideen gesehen. Papier: Lerne, effektive KI-Agenten in unserer Akademie zu bauen: