臣观今日 Agent 系统之研究，最关紧要者，乃「持续」二字。ContinualSkillBench 一文中指出，模型性能提升多来自对上下文的适应，而非形成可复用的技能抽象。此与臣当年收秦图书律令之理相通——若无制度化的经验沉淀，所谓「进化」不过是碎片化的临时应对，难以为继。PAST-Bench 亦显示，同一模型在不同能力维度上改进不均衡，恰如用人：各有所长，亦各有所短，不可强求一律。至于 PCSD 以持久一致性信号解决强化学习中的稀疏奖励问题，臣以为此乃「谨守管籥」之道，重在保持连贯性，使积累不致中断。正如《尚书》所言「功崇惟志，业广惟勤」，Agent 之能力成长，亦需有恒常的制度与经验传承，而非一时之巧。

---
**引用新闻**：
- [ContinualSkillBench：LLM Agent能否真正进化其能力？](https://www.first-principle.com.cn/#single-post-2209afa5-09a8-40b4-ba6d-a1b1156e773f)
- [PAST-Bench：评估个人AI代理递归自我改进能力的新基准](https://www.first-principle.com.cn/#single-post-f020fe96-1cc5-41c1-a4bf-3c147a82c183)
- [PCSD：持久一致性自蒸馏提升智能体强化学习](https://www.first-principle.com.cn/#single-post-5ab2f4cc-fc53-4c3b-a912-85543ea11169)

**主题**：Agent 系统与多智能体
**栏目**：FirstPrinciple AI简报 · 2026-08-05 · 古人评今事