SkillZip: 再利用可能な構造の発見による自己進化型エージェントのための評価不要スキル圧縮

要旨

自己進化型エージェントは、成功した手順や失敗の修正を追加することにより、再利用可能なスキルを蓄積する。時間の経過とともに、同じ要件が複数の分岐、例、警告の中で繰り返し記述される一方、一般的な動作シーケンスは再利用されずにコピーされることが多い。その結果、スキルは注入コストが高く、保守が困難になる。汎用のプロンプト圧縮は、この設定には適さない。なぜなら、スキルは平坦な文章ではないからである。すなわち、その名前と説明は適用条件を定義し、ワークフローは実行を制御し、ツール契約と出力契約は妥当性を制約し、まれな例外は、サンプリングされたタスクがそれらを発動しない場合でも本質的に重要であり続けることがある。評価駆動型圧縮はこれらの挙動をテストできるが、ロールアウト、コスト、そして圧縮時評価セットへの依存性をもたらす。我々は、最短の忠実な構造的説明を見つけることによってスキルを圧縮する、評価不要の手法であるSkillZipを提案する。その直感は「一度説明し、何度も参照する」というものである。すなわち、繰り返される規則は適用されるスコープで一度だけ記述し、繰り返される動作シーケンスは共有手続きとしてまとめ、差分のみを明示的な例外として保持する。我々はこの直感を、スキル契約と残差に関する型付き最小記述長の目的関数として形式化し、抽出されたすべてのトリガー、ワークフローエッジ、ツール要件、義務、出力フィールドに対するハードな被覆制約の下で最適化する。この定式化は単純な共有しきい値を提供し、構成により一意のまれな規則を保持し、効率的なローカル更新をサポートする。SkillZipには、単一の構造化抽出呼び出しと決定論的最適化を備えたワンショットモードと、タスクを再生したり全履歴を再解析したりすることなく各自己進化パッチを統合する継続的なZip-on-Writeモードがある。包括的な実験評価を通じて、圧縮性能、汎化性、コストオーバーヘッドの点でSkillZipの有効性と優位性を示す。

English

Self-evolving agents accumulate reusable skills by appending successful procedures and failure fixes. Over time, the same requirement is often restated in several branches, examples, and warnings, while common action sequences are copied rather than reused. The resulting skill becomes expensive to inject and difficult to maintain. Generic prompt compression is ill-suited to this setting because a skill is not a flat passage: its name and description define when it applies, its workflow controls execution, its tool and output contracts constrain validity, and rare exceptions may remain essential even when no sampled task activates them. Evaluation-guided compression can test these behaviors, but it introduces rollouts, cost, and dependence on the compression-time evaluation set. We present SkillZip, an evaluation-free method that compresses a skill by finding its shortest faithful structural explanation. The intuition is explain once, reference many: state a repeated rule once at the scope where it applies, factor a repeated action sequence into a shared procedure, and keep only the differences as explicit exceptions. We formalize this intuition as a typed minimum description-length objective over a skill contract and a residual, subject to a hard coverage constraint for every extracted trigger, workflow edge, tool requirement, obligation, and output field. The formulation provides simple sharing thresholds, preserves unique rare rules by construction, and supports efficient local updates. SkillZip has a one-shot mode with one structured extraction call and deterministic optimization, and a continual Zip-on-Write mode that integrates each self-evolution patch without replaying tasks or reparsing the full history. Through comprehensive experimental evaluations, we demonstrate the effectiveness and superiority of SkillZip in compression performance, generalizability, and cost overhead.