SkillZip: 재사용 가능한 구조 발견을 통한 자기 진화 에이전트의 평가 없는 스킬 압축

초록

자기 진화 에이전트는 성공적인 절차와 실패 수정을 추가함으로써 재사용 가능한 스킬을 축적한다. 시간이 지나면서 동일한 요구사항은 여러 분기, 예제, 경고에서 반복 기술되는 경우가 많고, 공통 동작 시퀀스는 재사용되지 않고 복사된다. 그 결과 생성된 스킬은 주입 비용이 높아지고 유지 관리가 어려워진다. 일반적인 프롬프트 압축은 이러한 상황에 적합하지 않다. 스킬은 평평한 단락이 아니기 때문이다. 스킬의 이름과 설명은 적용 시점을 정의하고, 워크플로는 실행을 제어하며, 도구 및 출력 계약은 유효성을 제한하고, 드문 예외는 샘플링된 작업이 활성화하지 않더라도 필수적일 수 있다. 평가 기반 압축은 이러한 동작을 테스트할 수 있지만, 롤아웃, 비용, 압축 시점 평가 세트에 대한 의존성을 도입한다. 본 논문에서는 스킬의 가장 짧은 충실한 구조적 설명을 찾아 압축하는 평가 없는 방법인 SkillZip을 제시한다. 그 직관은 '한 번 설명하고 여러 번 참조'하는 것이다. 즉, 반복되는 규칙을 적용되는 범위에서 한 번 기술하고, 반복되는 동작 시퀀스를 공유 절차로 분해하며, 차이만 명시적 예외로 유지한다. 우리는 이 직관을 스킬 계약과 잔차에 대한 타입 기반 최소 설명 길이 목적으로 공식화하며, 추출된 모든 트리거, 워크플로 엣지, 도구 요구사항, 의무, 출력 필드에 대해 하드 커버리지 제약을 적용한다. 이 공식은 단순한 공유 임계값을 제공하고, 구조적으로 고유한 드문 규칙을 보존하며, 효율적인 로컬 업데이트를 지원한다. SkillZip은 한 번의 구조화된 추출 호출과 결정적 최적화를 사용하는 원샷 모드와, 작업을 재생하거나 전체 이력을 다시 파싱하지 않고 각 자기 진화 패치를 통합하는 지속적 Zip-on-Write 모드를 제공한다. 포괄적인 실험 평가를 통해 우리는 SkillZip의 압축 성능, 일반화 가능성, 비용 오버헤드 측면에서 효율성과 우수성을 입증한다.

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.