SkVM: Compilación de Habilidades para una Ejecución Eficiente en Cualquier Entorno

SkVM: Compiling Skills for Efficient Execution Everywhere

April 6, 2026

Autores: Le Chen, Erhu Feng, Yubin Xia, Haibo Chen

cs.AI

Resumen

Los agentes de LLM adoptan cada vez más las habilidades como unidades de composición reutilizables. Si bien las habilidades se comparten en diversas plataformas de agentes, los sistemas actuales las tratan como contexto sin procesar, lo que provoca que la misma habilidad se comporte de manera inconsistente para diferentes agentes. Esta fragilidad socava la portabilidad y la eficiencia de ejecución de las habilidades. Para abordar este desafío, analizamos 118,000 habilidades y nos inspiramos en el diseño tradicional de compiladores. Tratamos las habilidades como código y a los LLM como procesadores heterogéneos. Para hacer que la portabilidad sea accionable, descomponemos los requisitos de una habilidad en un conjunto de capacidades primitivas y medimos qué tan bien cada par modelo-entorno las soporta. Basándonos en estos perfiles de capacidad, proponemos SkVM, un sistema de compilación y tiempo de ejecución diseñado para una ejecución de habilidades portable y eficiente. En tiempo de compilación, SkVM realiza una compilación basada en capacidades, vinculación de entorno y extracción de concurrencia. En tiempo de ejecución, SkVM aplica solidificación de código JIT y recompilación adaptativa para la optimización del rendimiento. Evaluamos SkVM en ocho LLM de diferentes escalas y tres entornos de agentes, cubriendo SkillsBench y tareas de habilidades representativas. Los resultados demuestran que SkVM mejora significativamente las tasas de finalización de tareas en diferentes modelos y entornos, al mismo tiempo que reduce el consumo de tokens hasta en un 40%. En términos de rendimiento, SkVM logra una aceleración de hasta 3.2x con un paralelismo mejorado y una reducción de latencia de 19-50x mediante la solidificación de código.

English

LLM agents increasingly adopt skills as a reusable unit of composition. While skills are shared across diverse agent platforms, current systems treat them as raw context, causing the same skill to behave inconsistently for different agents. This fragility undermines skill portability and execution efficiency. To address this challenge, we analyze 118,000 skills and draw inspiration from traditional compiler design. We treat skills as code and LLMs as heterogeneous processors. To make portability actionable, we decompose a skill's requirements into a set of primitive capabilities, and measure how well each model-harness pair supports them. Based on these capability profiles, we propose SkVM, a compilation and runtime system designed for portable and efficient skill execution. At compile time, SkVM performs capability-based compilation, environment binding, and concurrency extraction. At runtime, SkVM applies JIT code solidification and adaptive recompilation for performance optimization. We evaluate SkVM across eight LLMs of varying scales and three agent harnesses, covering SkillsBench and representative skill tasks. Results demonstrate that SkVM significantly improves task completion rates across different models and environments while reducing token consumption by up to 40%. In terms of performance, SkVM achieves up to 3.2x speedup with enhanced parallelism, and 19-50x latency reduction through code solidification.