大模型智能体（LLM Agent）正从“会聊天”迈向“会做事”的连续决策阶段，外部能力管理成为关键难题。香港中文大学团队在论文《Dynamic Skill Lifecycle Management for Agentic Reinforcement Learning》中提出“SLIM”动态技能生命周期管理框架，避免盲目堆叠技能或完全依赖模型参数。SLIM将外部技能视为具备生命周期的动态能力系统，在强化学习训练中让模型自主决定技能的保留、退休与扩展。其机制包括：基于当前状态检索通用或任务专属技能，使用GRPO更新策略，并通过“留一法”审计技能贡献；贡献高则保留，贡献低或产生干扰则退休，持续失败的新场景则总结并扩展新技能。实验显示，SLIM整体平均超过现有最佳方法7.1个百分点。在ALFWorld家庭环境任务中成功率达87.5%，高于SkillRL的75.0%；在SearchQA任务中也展现竞争力。业内认为，SLIM将外部技能库从固定辅助工具升级为可与策略协同优化的训练对象，为具身智能与大模型Agent产业化提供新思路。