自进化智能体通过观察技能执行失败来淘汰不良技能，从而保持技能库的质量。然而，当智能体依赖无参考任务的LLM作为评判者时，评判者的偏见可能导致技能淘汰机制失效。本文通过有偏奖励分析，理论证明偏见并非简单增加噪声，而是会无声地关闭技能淘汰功能。在确定性奖励基础上注入偏差的行为实验表明，对称噪声不影响技能淘汰，但假阳性偏差（失败被误判为通过）超过一个阈值后，会完全禁用基于贡献的淘汰机制，且无法通过增加数据弥补。通过区分真正的技能淘汰与因容量限制导致的剔除，发现机制失效具有普适性，跨领域和失败率均成立，仅当偏差接近零时才能避免。下游影响呈现阶段性：当相同的偏差也导致技能合成受阻时，评估质量下降；否则评估指标保持稳定，使得淘汰失效难以被检测。本文贡献在于行为安全结果而非性能提升，并提出一种廉价的缺陷注入审计方法，帮助运营者在部署前判断其评判者是否处于危险阈值之上。研究面向LLM智能体安全与可靠性领域，适合AI安全工程师、智能体架构师及LLM评估研究者。