// Aprendizagem Contínua a partir da Experiência e Habilidades // As habilidades são muito boas quando as combina corretamente com MCP e CLIs. Descobri que as habilidades podem melhorar significativamente a utilização de ferramentas pelos meus agentes de codificação. A melhor maneira de melhorá-las é documentar regularmente melhorias, padrões e coisas a evitar. Habilidades de autoaperfeiçoamento ainda não funcionam tão bem (ainda). Confira este artigo relacionado sobre o tema: Ele introduz o XSkill, uma estrutura de aprendizagem contínua de dupla corrente. Os agentes destilam dois tipos de conhecimento reutilizável a partir de trajetórias passadas: experiências para seleção de ferramentas a nível de ação e habilidades para planejamento e fluxos de trabalho a nível de tarefa. Ambos estão fundamentados em observações visuais. Durante a acumulação, os agentes comparam rollouts bem-sucedidos e falhados através de crítica cruzada de rollouts para extrair conhecimento de alta qualidade. Durante a inferência, eles recuperam e adaptam experiências e habilidades relevantes ao contexto visual atual. Avaliado em cinco benchmarks com quatro modelos de backbone, o XSkill supera consistentemente as linhas de base. No Gemini-3-Flash, a taxa média de sucesso salta de 33,6% para 40,3%. As habilidades reduzem os erros gerais de ferramentas de 29,9% para 16,3%. Agentes que acumulam e reutilizam conhecimento de suas próprias trajetórias melhoram ao longo do tempo sem atualizações de parâmetros. Agora vi dois artigos esta semana com ideias semelhantes. Artigo: Aprenda a construir agentes de IA eficazes na nossa academia: