SkillZip: スケーラブルなエージェントスキルライブラリのための契約保存型グラフ圧縮

要旨

大規模言語モデル（LLM）は、手続き的知識が再利用可能なスキルパッケージに格納され、推論時に読み込まれるエージェントとしてますます機能している。スキルライブラリが拡大するにつれ、限られたコンテキスト予算の下で最小限の十分な実行可能コンテキストを提示することが中心的な課題となる。既存システムは、スキル全体レベル未満のルーチンを再利用すること、圧縮中に手続き的契約を保持すること、圧縮されたルーチンを実行可能かつ拡張可能に保つこと、そしてスキルの進化に伴い圧縮ライブラリを更新することに苦慮している。これらの課題は、単位の不一致を浮き彫りにする。すなわち、スキルはパッケージとして取得され、テキストとして圧縮され、取得後にのみ実行グラフに変換されるのに対し、信頼性の高い再利用には契約を保持する手続き単位が必要である。我々は、セクションレベルのグラフに対して契約を保持する圧縮を実行する、実行を考慮した手続き抽象化フレームワークSkillZipを提案する。SkillZipは、境界シグネチャ、依存関係の閉包、検証器到達可能性、およびソースレベル展開を保持しながら、繰り返し出現する契約に適合するモチーフを可逆的な移植マクロに書き換える。推論時には、コンパクトで依存関係が閉じたコンテキストを復元し、必要な場合にのみマクロを展開する。ReZipはさらに、実行証拠を用いて新しいスキルを統合し、リスクのあるマクロを修正する。技術的および身体化エージェントベンチマークに関する包括的な実験1により、SkillZipは一貫して最強のベースラインを最大12.2ポイント上回り、99.2%の依存関係の保存と98.7%の検証器到達可能性を達成しつつ、3.46倍の圧縮率を達成することが示された。さらにスケーリング分析により、200から10万スキルまでのスキルライブラリにわたる堅牢な取得が確認された。

English

Large Language Models (LLMs) increasingly act as agents whose procedural knowledge is stored in reusable skill packages and loaded at inference time. As skill libraries grow, a central challenge is to expose the smallest sufficient executable context under a limited context budget. Existing systems struggle to reuse routines below the whole-skill level, preserve procedural contracts during compression, keep compressed routines executable and expandable, and update the compressed library as skills evolve. These challenges reveal a unit mismatch: skills are retrieved as packages, compressed as text, and converted into execution graphs only after retrieval, whereas reliable reuse requires a contract-bearing procedural unit. We propose SkillZip, an execution-aware procedural abstraction framework that performs contract-preserving compression over section-level graphs. SkillZip rewrites recurring contract-valid motifs into reversible ported macros while preserving boundary signatures, dependency closure, verifier reachability, and source-level expansion. At inference time, it hydrates a compact, dependency-closed context and expands macros only when required. ReZip further integrates new skills and revises risky macros using execution evidence. Comprehensive experiments1 on technical and embodied agent benchmarks show SkillZip consistently outperforms the strongest baseline by up to 12.2 points, while achieving a 3.46x compression ratio with 99.2% dependency preservation and 98.7% verifier reachability. Scaling analyses further confirm robust retrieval across skill libraries ranging from 200 to 100K skills.