SkVM: Vaardigheden compileren voor efficiënte uitvoering overal

SkVM: Compiling Skills for Efficient Execution Everywhere

April 6, 2026

Auteurs: Le Chen, Erhu Feng, Yubin Xia, Haibo Chen

cs.AI

Samenvatting

LLM-agenten nemen steeds vaker skills aan als herbruikbare compositie-eenheden. Hoewel skills worden gedeeld over diverse agentplatforms, behandelen huidige systemen ze als ruwe context, waardoor dezelfde skill zich inconsistenterwijs gedraagt voor verschillende agenten. Deze kwetsbaarheid ondermijnt de draagbaarheid en uitvoeringsefficiëntie van skills. Om deze uitdaging aan te pakken, analyseren we 118.000 skills en putten we inspiratie uit traditioneel compilerontwerp. We behandelen skills als code en LLM's als heterogene processors. Om draagbaarheid praktisch te maken, ontleden we de vereisten van een skill in een set primitieve capaciteiten, en meten we hoe goed elk model-harness-paar deze ondersteunt. Gebaseerd op deze capaciteitsprofielen stellen we SkVM voor, een compilatie- en runtime-systeem ontworpen voor draagbare en efficiënte skill-uitvoering. Tijdens compilatie voert SkVM capaciteitsgebaseerde compilatie, omgevingsbinding en gelijktijdigheidsextractie uit. Tijdens runtime past SkVM JIT-code-solidificatie en adaptieve recompilatie toe voor prestatie-optimalisatie. We evalueren SkVM over acht LLM's van uiteenlopende schaal en drie agent-harnesses, waarbij SkillsBench en representatieve skill-taken worden bestreken. Resultaten tonen aan dat SkVM de taakvoltooiingspercentages aanzienlijk verbetert over verschillende modellen en omgevingen, terwijl het tokenverbruik met tot 40% wordt verminderd. Qua prestaties behaalt SkVM een versnelling tot 3,2x met verbeterde parallellisatie, en een latentievermindering van 19-50x door code-solidificatie.

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.