By Unbug 阿里巴巴、香港理工大学与伊利诺伊大学芝加哥分校的论文《Evolving Together, Failing Apart》发现：技能库与策略模型共同进化的自进化智能体，一旦技能库被改写，最坏情况成功率比训练峰值低 5-13 个百分点，抹掉技能库增益的 52-93%。
论文 2026 年 10 月 14 日发布于 arXiv（编号 2610.20845），第一作者 Yujie Feng 隶属 Alibaba Token Hub。这里说的技能库（skill bank）是智能体在任务中积累并复用的可调用过程性技能，通常以文档形式保存；技能与策略共进化（skill-policy co-evolution）指训练过程中策略模型与技能库互相改进，是当前自进化智能体的主流范式之一。
共进化把智能体绑死在陪练技能库上
论文指出的盲区在评测协议：现有方法一律用训练时交付的那份技能库给智能体打分，模型与技能库是「陪练关系」。但部署之后，技能会被改写、新增或删除，频率远高于策略模型的重训节奏，智能体实际面对的是一份漂移后的技能库——训练目标与评测协议谁都没有覆盖它。
漂移的代价随训练加深而放大。六组设置里，不减干扰的成功率随共进化训练一路上扬：Skill RL-ALFWorld 从 5.2% 升到 88.8%，ARISE-AMC23 从 15.5% 升到 87.4%，Evolving-RL-Mind2Web 从 16.4% 升到 25.2%；但同一批检查点对技能库扰动的敏感度（论文实测的下降斜率）在十八个扰动轴与设置的组合中有十二个显著上升——模型越强，越离不开陪练它的那份库。
一次保持原义的改写就能掉分
跨四种共进化方法、五个基准（六设置）的统一结果是：最坏情况成功率比各自交付峰值低 5-13 个百分点，相当于抹掉交付技能库相对无技能基线增益的 52-93%。更扎心的是扰动类型：不改语义、只换措辞的保持原义改写，单项就在 ReSkill-ScienceWorld 上吃掉 10.9 分（该设置峰值 50.3%）。
论文同时给出边界：漂移后技能的最低成功率仍高于无技能基线，说明技能库并非失去价值，失败的本质是模型对特定技能库措辞的过拟合，即技能派生增益的丢失。作者提出 CODA 评测协议，用两个指标替代单一峰值：一致性率（保持原义编辑下的成绩保持）与抗腐蚀率（对污染技能的抵抗力），把共进化目标从「在陪练库上的峰值」改写为「驾驭技能库漂移的能力」。
对自建技能库智能体的提醒
对在生产环境跑技能库智能体的团队，论文的操作含义是三件事：发布测试必须包含技能改写与污染变体，而非只用训练交付库打分；技能修订节奏与模型重训节奏要显式对齐或解耦管理；把一致性率与抗腐蚀率纳入回归。站内《技能各自合规，组合就出事》研究过技能库的对抗性注入攻击，这篇则证明不需要攻击者——日常维护产生的自然漂移就足以让峰值成绩大幅退坡，两份证据共同指向：技能库已成为与模型权重同级的维护面。
论文目前为预印本（PDF 页眉标注 Preprint. Under review.），未声明代码开源，复现需自行实现扰动协议。
一分钟读论文：《智能体学会主动清空记忆》