库漂移：自进化LLM技能库因无生命周期管理致性能停滞

自进化LLM技能库在长期运行后陷入性能停滞，核心原因被锁定为一种名为“库漂移”的无声失效模式。arXiv最新论文（编号2605.19576v1）指出，无结果驱动的生命周期管理导致技能无限制堆积，最终引发检索退化与假阳性注入。测试结果极具反差：LLM自行编写的技能带来+0.0个百分点收益，而人类筛选的技能却能提升+16.2个百分点（数据来自SkillsBench）。靠技能库自我升级系统，真的靠谱吗？至少目前的证据表明，不加管控的自我进化反而拖了后腿。

盲目堆积技能，挺住性能天花板。论文进一步通过消融实验复制了“库漂移”的触发条件：一旦关闭技能注入功能，模型性能立刻回到平坦底板，这意味着大量自动生成的技能非但没用，反而制造了干扰。为什么人类筛选的效果如此突出？关键在于每个技能都经过结果导向的淘汰，无生命周期的技能库就这样沦为垃圾堆——假技能混入真技能库，检索系统每一次命中都在偏离正确答案。

技能库为何会越用越废？这得从自我进化的机制说起。模型在运行时自动抓取高效用代码片段形成技能，但缺乏退出机制：过时、错误或冗余技能从不被清理，导致检索池被低频噪音淹没。论文作者将这一过程定义为“库漂移”，它不像过拟合那样显眼，却以更隐蔽的方式蚕食性能。你可以想象一个仓库，管理员只管往里堆货，从不清理过期商品——现在连挑都挑不准了！

症状早已可见，机制却一直没被揪出。其实早前就有评测指出，LLM自产技能增益为零，而人工技能增益显著，但背后的“库漂移”概念直到此次实验才被正式隔离。研究者提供了一个可重复的触发方法：通过消融实验关闭技能注入，模型性能跌入平坦地面，证实堆积正是病因所在。这也解释了为什么多家机构在部署自进化模型时，遇到了意料之外的效果衰减。

解决方案还藏在论文的下一步规划中。当前的诊断工具只能检测出“库漂移”的发生，修复手段需要依赖生命周期管理——比如给技能设置有效期、加入淘汰阈值，或者强制引入人类审核环节。没错，简化管理或许正是AI系统长期运行的必修课，毕竟人类代码仓库都需要定期重构，凭什么LLM可以例外？

自进化LLM若想突破天花板，必须解决技能库的“生命周期管理”缺失。咱们不妨设想一下：如果每个技能自带失效日期和效果评级，模型就能自动淘汰低贡献项，保持检索质量。目前论文仅揭示了问题，真正的修复方案还有待行业验证。但有一点已经明确——无管控的技能堆积必然导致性能停滞，这也是库漂移给业界敲响的警钟：技术进步不能只靠堆积，还得学会做减法，可悲吗？这就是现实。