SkVM : Compilation de compétences pour une exécution efficace partout

SkVM: Compiling Skills for Efficient Execution Everywhere

April 6, 2026

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

cs.AI

Résumé

Les agents LLM adoptent de plus en plus les compétences comme unité de composition réutilisable. Bien que les compétences soient partagées entre diverses plateformes d'agents, les systèmes actuels les traitent comme du contexte brut, ce qui entraîne un comportement incohérent de la même compétence pour différents agents. Cette fragilité compromet la portabilité des compétences et l'efficacité de l'exécution. Pour relever ce défi, nous analysons 118 000 compétences et nous inspirons de la conception traditionnelle des compilateurs. Nous traitons les compétences comme du code et les LLM comme des processeurs hétérogènes. Pour rendre la portabilité opérationnelle, nous décomposons les exigences d'une compétence en un ensemble de capacités primitives, et mesurons dans quelle mesure chaque paire modèle-harnais les prend en charge. Sur la base de ces profils de capacité, nous proposons SkVM, un système de compilation et d'exécution conçu pour une exécution portable et efficace des compétences. Au moment de la compilation, SkVM effectue une compilation basée sur les capacités, une liaison d'environnement et une extraction de concurrence. À l'exécution, SkVM applique une solidification de code JIT et une recompilation adaptative pour l'optimisation des performances. Nous évaluons SkVM sur huit LLM d'échelles variées et trois harnais d'agents, couvrant SkillsBench et des tâches de compétences représentatives. Les résultats démontrent que SkVM améliore significativement les taux de réussite des tâches across différents modèles et environnements tout en réduisant la consommation de tokens jusqu'à 40%. En termes de performances, SkVM atteint une accélération jusqu'à 3,2x grâce à un parallélisme accru, et une réduction de latence de 19 à 50x via la solidification de code.

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.