2026年6月1日，香港中文大学团队正式发布面向大模型智能体（LLM Agent）的动态技能生命周期管理框架SLIM，相关成果已收录于论文《Dynamic Skill Lifecycle Management for Agentic Reinforcement Learning》。该框架打破行业普遍存在的盲目堆叠技能的发展误区，可大幅降低智能体调用外部能力的噪声与干扰，为多场景复杂任务落地提供新的技术路径。
不少接触过大模型智能体的从业者都有直观感受：当前智能体的“聊天能力”已经趋近成熟，但一旦落地到网页搜索、跨软件办公、具身机器人操控等长时序复杂场景，任务完成率就会出现断崖式下跌。这一问题的核心诱因之一，正是行业长期以来的“技能堆料”惯性。
随着大模型智能体从“对话交互”向“连续决策”演进，厂商为了覆盖更多使用场景，普遍选择两条路径：要么不断给智能体堆叠更多外部技能，导致技能库快速膨胀，调用时检索噪声、上下文干扰陡增，反而拉高了决策错误率；要么尝试将所有能力内置到模型参数中，不仅训练、推理成本成倍上涨，还会丢失大量长尾场景所需的局部精准能力。两种路径的共性缺陷，已经成为智能体从“能用”到“好用”的最大阻碍之一。
登录后解锁全文，体验收藏、点赞、评论等完整功能
立即登录
滇公网安备 53252802528133号