自我进化Agent是今年最热的叙事之一：Agent每做完一轮任务，把经验蒸馏成"技能"存起来，下一轮直接调用。不用动模型权重，能力像复利一样滚。
问题是，这笔复利一定是正的吗？
腾讯团队最近公开的论文《When Self-Evolution Backfires》（arXiv:2608.05810）给出了一个冷静的答案：不一定。过了某个临界点，越学越差。
倒U型曲线：技能积累不是单调的
实验在Terminal-Bench 2上做。Agent在沙箱容器里真实操作shell完成硬任务，对错由确定性校验器判定，不用LLM打分。
不设审查的对照组，把蒸馏出的技能全部写入技能池：pass@1从第1轮的48%爬到第3轮的62%，技能池从35条涨到105条，一切看起来都在变好。
然后崩了。第4轮52%，第5轮50%。技能池膨胀到179条，成绩却几乎退回第1轮的水平。
论文把第3轮的峰值叫"能力-污染拐点"：拐点之前，新技能是资产；拐点之后，新技能是噪声。
图注：红线"学到什么收什么"，第3轮见顶后回落；蓝线"先审查再入库"，五轮单调上升到72%。
污染会遗传
为什么越学越差？论文把污染拆成三层：单个坏技能直接误导Agent；几条单独看都没问题的技能，注入到一起时互相打架；两层叠加，整条曲线就变成倒U型。
更麻烦的是污染的传播方式。第4轮蒸馏新技能时，参考材料里躺着第3轮的技能池——坏技能的错误逻辑会被后代技能继承，而后代技能里甚至不会提到它的名字。
论文里有个具体案例：一条关于git冲突处理的坏技能，在下一轮衍生出merge和rebase两条工作流技能；只删源头，这两条后代继续让7个git测试任务里的4个失败。
事后删除，救不回来
这是全文最反直觉的发现：污染在结构上不可逆。
数据很直观。从无审查组峰值62.3%跌到第5轮的50.0%，落差12.3个百分点。只删除8条问题源技能，恢复1.7个百分点；用开了上帝视角的"全谱系清理"（源头加所有后代一起删），恢复6.7个百分点——剩下5.6个百分点，永远锁在技能池的状态里。
换句话说，我们熟悉的"发现坏技能就删掉"，基本是心理安慰。错误逻辑已经织进后代，删源头等于关了水龙头，但地上的水还在。
图注：12.3个百分点的跌幅里，只删源头恢复1.7，上帝视角清谱系恢复6.7，仍有5.6不可恢复；而事前审查的VaG直接站在72%。
门卫机制：入库之前先审查
既然事后补不回来，唯一的路是事前审查。论文的方案叫VaG（Verifier-as-Gatekeeper）：每条新技能先落在Cold状态，只记录、对Agent不可见，想过两道门才能进运行时上下文。
第一门是三个视角不同的审查员：确定性的格式schema检查、在留出任务上的行为A/B回放、一次语义一致性审查（抓编造和自相矛盾的建议）。三者各抓一类问题，消融实验证明谁也不能替代谁。
第二门是组合审查：只有实测能提升组合表现的技能才准入，专门抓"单独无罪、合起来有罪"的冲突。
图注：同一批技能、两套制度。无门路径让污染逐轮扩散；VaG路径入库前验证，曲线单调上行。
结果：VaG从第1轮52%一路升到第5轮72%，单调不降；最终技能池只有37条，是无审查组179条的五分之一，成绩反而高出22个百分点。每个任务的token成本也更低：0.94M对1.19M。更少，更准，更便宜。
消融数据印证了每道门的价值：去掉行为回放，−10个百分点；去掉组合门，−8个百分点，池子还从37膨胀到58。
过了审查的技能，才带得走
还有一组数据值得看：VaG第5轮冻结的37条技能，不做任何再进化，直接换骨干模型用——GPT-5.4、Claude Sonnet 4.5、DeepSeek-V4-Pro、Qwen3.6-35B-A3B，全部正提升，+8到+16个百分点。
这说明过了门的技能编码的是与模型无关的通用工程经验，而不是某次运行的过拟合产物。无审查组的179条技能，靠的是数量，不是质量。
源势AI观点：经验不是天然资产
做企业Agent落地，我们常听到同一种直觉：让Agent自己攒经验，让知识库自己长，存下来的就是赚到的。这篇论文用数据提醒：未经审查的经验不是资产，是负债，而且这笔负债也滚复利。
源势AI在能源、金融等行业的Agent落地中，把审查门写进了流程：进入决策上下文的经验条目，要过案例回放和业务校验。我们对外公布的AI研判准确率98.7%，靠的是这种准入管理，不是经验堆得多。
技能库、知识库、提示词库，道理相通。写入的那一刻最便宜，删除的那一刻最贵。
Agent越学越多之后，真正的问题不是它学到了什么，而是谁在审查它学到的东西。
