SkVM: Compilazione di Abilità per un'Esecuzione Efficiente Ovunque
SkVM: Compiling Skills for Efficient Execution Everywhere
April 6, 2026
Autori: Le Chen, Erhu Feng, Yubin Xia, Haibo Chen
cs.AI
Abstract
Gli agenti LLM adottano sempre più le skill come unità di composizione riutilizzabile. Sebbene le skill siano condivise tra diverse piattaforme di agenti, i sistemi attuali le trattano come contesto grezzo, causando un comportamento inconsistente della stessa skill per agenti diversi. Questa fragilità compromette la portabilità delle skill e l'efficienza esecutiva.
Per affrontare questa sfida, analizziamo 118.000 skill e traiamo ispirazione dalla progettazione tradizionale dei compilatori. Trattiamo le skill come codice e gli LLM come processori eterogenei. Per rendere la portabilità operativa, scomponiamo i requisiti di una skill in un insieme di capacità primitive e misuriamo quanto bene ogni coppia modello-harness le supporti. Sulla base di questi profili di capacità, proponiamo SkVM, un sistema di compilazione e runtime progettato per l'esecuzione portabile ed efficiente delle skill. In fase di compilazione, SkVM esegue la compilazione basata sulle capacità, il binding dell'ambiente e l'estrazione della concorrenza. A runtime, SkVM applica la solidificazione JIT del codice e la ricompilazione adattativa per l'ottimizzazione delle prestazioni.
Valutiamo SkVM su otto LLM di diverse dimensioni e tre harness di agenti, coprendo SkillsBench e task di skill rappresentativi. I risultati dimostrano che SkVM migliora significativamente i tassi di completamento dei task tra diversi modelli e ambienti, riducendo contemporaneamente il consumo di token fino al 40%. In termini di prestazioni, SkVM raggiunge un speedup fino a 3,2x con parallelismo migliorato e una riduzione della latenza di 19-50x grazie alla solidificazione del codice.
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.