SkillZip: 확장 가능한 에이전트 스킬 라이브러리를 위한 계약-보존 그래프 압축

초록

대규모 언어 모델(LLM)은 점차 에이전트로서 작동하며, 절차적 지식은 재사용 가능한 스킬 패키지에 저장되어 추론 시점에 로드된다. 스킬 라이브러리가 성장함에 따라, 제한된 컨텍스트 예산 하에서 가장 작지만 충분한 실행 가능 컨텍스트를 노출하는 것이 핵심 과제로 떠오른다. 기존 시스템은 전체 스킬 수준 이하의 루틴을 재사용하고, 압축 과정에서 절차적 계약을 보존하며, 압축된 루틴을 실행 가능하고 확장 가능한 상태로 유지하고, 스킬이 진화함에 따라 압축된 라이브러리를 갱신하는 데 어려움을 겪는다. 이러한 과제는 단위 불일치에서 비롯된다. 즉, 스킬은 패키지 단위로 검색되고 텍스트로 압축되며 검색 이후에만 실행 그래프로 변환되는 반면, 신뢰할 수 있는 재사용을 위해서는 계약을 수반하는 절차적 단위가 필요하다는 점이다. 우리는 SkillZip을 제안한다. SkillZip은 섹션 수준 그래프에 대해 계약 보존 압축을 수행하는 실행 인식 절차 추상화 프레임워크이다. SkillZip은 경계 시그니처, 의존성 폐쇄, 검증기 도달 가능성, 소스 수준 확장을 보존하면서 반복되는 계약 유효 모티프를 가역적 이식 매크로로 재작성한다. 추론 시점에 SkillZip은 컴팩트하고 의존성이 폐쇄된 컨텍스트를 복원하며, 필요한 경우에만 매크로를 확장한다. ReZip은 나아가 실행 증거를 활용하여 새로운 스킬을 통합하고 위험한 매크로를 수정한다. 기술 및 구현 에이전트 벤치마크에 대한 포괄적인 실험 결과, SkillZip은 가장 강력한 기준선 대비 최대 12.2포인트 높은 성능을 보였으며, 99.2%의 의존성 보존과 98.7%의 검증기 도달 가능성을 갖춘 3.46배의 압축률을 달성했다. 확장성 분석은 또한 200개에서 100K개에 이르는 스킬 라이브러리 전반에 걸쳐 강건한 검색을 확인한다.

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.