# هشدار پژوهش: تغییر مهارت‌ها می‌تواند عامل‌های خودبهبود را ناکام کند

> پژوهشگران CODA را معرفی کرده‌اند؛ آزمونی که نشان می‌دهد عامل‌های هوش مصنوعیِ هم‌تکامل‌یافته، پس از استقرار و با تغییر کتابخانه مهارت‌هایشان، بیشتر دستاوردهای خود را از دست می‌دهند.

Oossa · 2026-10-16 · https://oossa.com/fa/paper-warns-self-improving-agents-may-fail-when-skill-sets-change

گروهی به سرپرستی جین‌لوان یانگ در 16 اکتبر 2026 مقاله‌ای تازه در arXiv منتشر کردند. این مقاله نشان می‌دهد عامل‌هایی که برای بهبود هم‌زمان سیاست و بانک مهارت‌هایشان آموزش دیده‌اند، اگر بانک مهارت‌ها بعداً تغییر کند، شکننده می‌شوند. نویسندگان ارزیابی تازه‌ای با نام ممیزی رانش هم‌تکاملی (CODA) پیشنهاد می‌کنند که رانش مهارت‌ها را شبیه‌سازی و پایداری و مقاومت را اندازه‌گیری می‌کند. CODA با بررسی چهار روش و پنج معیار سنجش، نشان می‌دهد که در بدترین حالت، میزان موفقیت 5 تا 13 واحد افت می‌کند و بیشتر برتری عامل‌ها نسبت به خط مبنای بدون مهارت از بین می‌رود.

## حقایق

- مقاله در 16 اکتبر 2026 منتشر شد
- میزان موفقیت در بدترین حالت، 5 تا 13 واحد کمتر از اوج است و 52 تا 93 درصد از دستاورد را از بین می‌برد

## چرا مهم است

سازمان‌هایی که این عامل‌ها را به‌کار می‌گیرند باید تاب‌آوری آن‌ها را در برابر تغییر مهارت‌ها نیز بسنجند، نه فقط عملکردشان در اوج.

## منابع و ارجاع‌ها

1. [Evolving Together, Failing Apart: The Skill-Policy Co-evolution Trap in Self-Improving Agents](https://arxiv.org/abs/2610.20845) – arXiv, 2026-10-16

آخرین به‌روزرسانی: 2026-10-16