SkCC: Compilação Portável e Segura de Habilidades para Agentes de LLM Multi-framework

Resumo

Os Agentes de LLM evoluíram para sistemas autônomos de execução de tarefas complexas, com a especificação SKILL.md emergindo como um padrão de facto para encapsular capacidades de agentes. No entanto, um gargalo crítico persiste: diferentes frameworks de agentes exibem sensibilidades drasticamente distintas à formatação de prompts, causando até 40% de variação de desempenho, embora quase todas as habilidades existam como uma única versão Markdown independente de formato. A reescrita manual por plataforma cria um ônus de manutenção insustentável, enquanto auditorias anteriores constataram que mais de um terço das habilidades da comunidade contêm vulnerabilidades de segurança. Para resolver isso, apresentamos o SkCC, um framework de compilação que introduz o design clássico de compiladores no desenvolvimento de habilidades de agentes. Em seu núcleo, o SkIR — uma representação intermediária fortemente tipada — desacopla a semântica das habilidades da formatação específica da plataforma, permitindo implantação portável entre frameworks de agentes heterogêneos. Em torno dessa RI, um Analisador em tempo de compilação impõe restrições de segurança por meio de Injeção Anti-Skill antes da implantação. Por meio de um pipeline de quatro fases, o SkCC reduz a complexidade de adaptação de O(m × n) para O(m + n). Experimentos no SkillsBench demonstram que habilidades compiladas superam consistentemente suas contrapartes originais, melhorando as taxas de aprovação de 21,1% para 33,3% no Claude Code e de 35,1% para 48,7% no Kimi CLI, ao mesmo tempo que alcançam latência de compilação inferior a 10 ms, uma taxa de ativação proativa de segurança de 94,8% e economia de 10 a 46% de tokens em tempo de execução entre plataformas.

English

LLM-Agents have evolved into autonomous systems for complex task execution, with the SKILL.md specification emerging as a de facto standard for encapsulating agent capabilities. However, a critical bottleneck remains: different agent frameworks exhibit starkly different sensitivities to prompt formatting, causing up to 40% performance variation, yet nearly all skills exist as a single, format-agnostic Markdown version. Manual per-platform rewriting creates an unsustainable maintenance burden, while prior audits have found that over one third of community skills contain security vulnerabilities. To address this, we present SkCC, a compilation framework that introduces classical compiler design into agent skill development. At its core, SkIR - a strongly-typed intermediate representation - decouples skill semantics from platform-specific formatting, enabling portable deployment across heterogeneous agent frameworks. Around this IR, a compile-time Analyzer enforces security constraints via Anti-Skill Injection before deployment. Through a four-phase pipeline, SkCC reduces adaptation complexity from O(m times n) to O(m + n). Experiments on SkillsBench demonstrate that compiled skills consistently outperform their original counterparts, improving pass rates from 21.1% to 33.3% on Claude Code and from 35.1% to 48.7% on Kimi CLI, while achieving sub-10ms compilation latency, a 94.8% proactive security trigger rate, and 10-46% runtime token savings across platforms.