💬 NLP

The Decomposition Is the Fingerprint: Per-Component Identity for Agent Skills

Dit artikel introduceert een compacte, lokaal-gevoelige per-component fingerprinting-methode voor AI-agentvaardigheden die gebruikmaakt van multi-bank SimHash om vaste grootte signaturen te genereren, wat de identificatie van vaardigheidsafstamming en structurele relaties mogelijk maakt door middel van parafrasering of refactoring, terwijl onafhankelijke herimplementaties worden onderscheiden, alles zonder de noodzaak voor gedragsmatige veiligheidsverificatie te vervangen.

Oorspronkelijke auteurs: Hongliang Liu, Yuhao Wu, Tung-Ling Li

Gepubliceerd 2026-07-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Hongliang Liu, Yuhao Wu, Tung-Ling Li

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme bibliotheek beheert van "skills" voor AI-agenten. Dit zijn niet zomaar boeken; het zijn digitale toolkits die instructies (prompts), code en verbindingen met andere tools bevatten. Naarmate meer mensen skills creëren, wordt de bibliotheek een puinhoop. Dezelfde skill kan worden gekopieerd, hernoemd, herschreven in een andere stijl of zelfs vertaald naar een andere programmeertaal.

Het grote probleem? Hoe weet je of twee skills eigenlijk hetzelfde zijn, zelfs als ze er aan de oppervlakte anders uitzien?

De Oude Manier: De "Vingerafdruk" die Breekt

Traditioneel gebruiken we om te controleren of twee bestanden hetzelfde zijn een cryptografische hash (zoals een digitale vingerafdruk). Maar deze methode is te gevoelig. Het is alsof je een foto maakt van iemands gezicht, maar als die persoon zijn haar één centimeter verplaatst of een bril opzet, ziet de foto er totaal anders uit. In de digitale wereld zorgt het veranderen van slechts één letter in een prompt of het hernoemen van een functie ervoor dat de "vingerafdruk" er al volledig nieuw uitziet. Dit is nutteloos voor het vinden van duplicaten die zijn aangepast.

De Nieuwe Manier: De "Per-Component" Vingerafdruk

De auteurs stellen een nieuw soort vingerafdruk voor die slim en modulair is. In plaats van de hele skill als één grote brok te bekijken, breken ze deze af in drie duidelijke delen:

De Prompt: De instructies in natuurlijke taal.
De Code: De eigenlijke logica en functies.
De Tools: De lijst met API's of externe tools die het gebruikt.

Zo werkt hun systeem, met behulp van een eenvoudige analogie:

1. De "Vertaler" (Embedding)

Eerst werkt het systeem als een super-slimme vertaler. Het leest de prompt, code of tools en zet deze om in een "betekenisvector".

Analogie: Stel je voor dat je een zin hebt in het Engels en dezelfde zin in het Frans. Een normale scanner ziet hen als totaal verschillende reeksen letters. Deze "vertaler" begrijpt dat ze hetzelfde betekenen en geeft ze dezelfde "concept ID". Dit doet het ook voor code, waarbij het begrijpt dat calculate_sum en add_numbers hetzelfde werk doen.

2. De "Compressor" (Multi-Bank SimHash)

De "concept ID" is nog steeds te groot om gemakkelijk op te slaan voor miljoenen skills. Daarom comprimeert het systeem dit tot een kleine, vaste digitale handtekening (slechts 120 bytes, of 320 bits).

Analogie: Denk aan het nemen van een foto met een hoge resolutie van een persoon en het verkleinen tot een piekle, 320-pixel icoon. Zelfs als het piekle is, kun je bij het vergelijken van twee iconen nog steeds zien of het dezelfde persoon is. Cruciaal is dat als de persoon van shirt verandert (een kleine aanpassing), het icoon nog steeds herkenbaar blijft.

3. De "Drie-Delige ID-Kaart" (De Triple)

Dit is de belangrijkste innovatie van het papier. In plaats van de drie delen (Prompt, Code, Tools) samen te persen in één enkele score, houden ze ze als drie aparte getallen op een ID-kaart.

Analogie: Stel je een beveiligingsbadge voor met drie aparte foto's: één van het gezicht van de persoon, één van hun ID-nummer en één van hun functietitel.
- Als iemand de Functietitel verandert maar het Gezicht en het ID-nummer hetzelfde houdt, weet je dat het dezelfde persoon is met een nieuwe rol.
- Als iemand het Gezicht verandert (de code herschrijft) maar de Functietitel (de prompt) hetzelfde houdt, weet je dat het een andere persoon is die hetzelfde werk doet.
- Als alle drie de delen overeenkomen, is het een perfecte kloon.

Wat Dit Oplost

Door deze drie delen apart te houden, kan het systeem complexe vragen beantwoorden die een simpele "ja/nee" hash niet kan:

Cloning (Klonen): "Is dit een kopie van die skill?" (Alle drie de delen komen overeen).
Repurposing (Herbestemming): "Is dit dezelfde code die voor een ander doel wordt gebruikt?" (Code komt overeen, Prompt is anders).
Reimplementation (Herimplementatie): "Is dit hetzelfde idee dat op een totaal andere manier is geschreven?" (Prompt komt overeen, Code is anders).
Tampering (Manipulatie): "Heeft iemand stiekem een virus in een vertrouwde skill geslupt?" (Het systeem ziet dat het "Gezicht" en de "Functietitel" overeenkomen met een vertrouwde skill, maar dat het "ID-nummer" (de code) lichtelijk is veranderd. Het markeert het als een gemodificeerde kopie).

De "Veiligheidswaarschuwing"

Het papier maakt een heel duidelijk onderscheid: dit systeem identificeert wat een skill is, niet of deze veilig is.

Analogie: Dit systeem is als een politie-database die een auto herkent als een "2020 Toyota Camry". Het kan je vertellen: "Deze auto is een aangepaste versie van een bekend model, en de motor is vervangen."
Het kan echter niet vertellen of de auto roekeloos rijdt of dat de nieuwe motor gevaarlijk is. Dat vereist een ander soort test (gedragsverificatie).
De auteurs ontdekten dat veel kwaadaardige skills simpelweg "gemodificeerde kopieën" zijn van veilige skills. Hun systeem vangt deze op als "gemodificeerde kopies", maar een mens of een andere veiligheidstool moet beslissen of de modificatie gevaarlijk is.

Waarom Het Ertoe Doet

Deze methode creëert een "Register" voor AI-skills. Het stelt platforms in staat om:

Duplicaten te stoppen: Vinden van skills die hetzelfde zijn maar er anders uitzien.
Lineage te volgen: Weten waar een skill vandaan kwam en hoe deze is veranderd.
Manipulatie te detecteren: Opsporen wanneer een vertrouwde skill stilletjes is gewijzigd.
Ruimte te besparen: De nieuwe vingerafdruk is 77 keer kleiner dan de originele data, waardoor het razendsnel door miljoenen skills kan zoeken.

Kortom, het papier betoogt dat om de chaos van AI-skills te beheren, we een vingerafdruk nodig hebben die betekenis en structuur begrijpt, en niet alleen een scanner die kijkt naar exacte letterovereenkomsten. En door de onderdelen apart te houden, krijgen we een veel duidelijker beeld van hoe de skills met elkaar gerelateerd zijn.

Technische Samenvatting: Per-Component Identiteit voor Agent-Skills

1. Probleemstelling

Naarmate Large Language Model (LLM) agents steeds vaker tijdens runtime vaardigheden (skills) verwerven en uitvoeren—bundels van prompts, uitvoerbare code en tool-declaraties afkomstig van marktplaatsen en andere agents—staan platforms voor een kritieke governance-uitdaging: identiteit. Huidige methoden om te bepalen of twee skills de "zelfde" zijn, voldoen niet aan de specifieke eisen van het agent-ecosysteem:

Cryptografische Hashing: Faalt omdat het niet herschrijf-invariant is; een enkele karakterwijziging (parafrasering, hernoeming, refactoring) verstoort de digest volledig, waardoor de gelijkenis verloren gaat.
Fuzzy Hashing (bijv. ssdeep, TLSH): Vertrouwt op ruimtelijke byte-lokaliteit, wat skills missen door semantisch herschrijven. Deze methoden presteren nabij toeval (AUC 0.53–0.63) bij herschreven skills.
Ruwe Embeddings: Hoewel accuraat in het vastleggen van semantische gelijkenis, slaan ze kilobyte-schaal floating-point vectoren op, wat de constante, bit-indexeerbare signaturen mist die vereist zijn voor schaalbare registers.
Standaard SimHash: Ontworpen voor deduplicatie van enkelvoudige documenten, mist het component-decompositie en kan het niet onderscheid maken tussen "dezelfde code, ander doel" en "hetzelfde doel, andere code."

De kern van het probleem is de behoefte aan een compacte, locality-sensitive vingerafdruk die herschrijf-invariant, component-lokaliserend en gekalibreerd is, in staat om skill-families te identificeren in plaats van alleen exacte byte-matches.

2. Methodologie

De auteurs stellen een per-component, locality-sensitive vingerafdruk pipeline voor (Figuur 1) die een skill decomponeert in zijn constituerende delen voordat er gehasht wordt.

2.1 Decompositie

Een skill $S$ wordt behandeld als een gestructureerd artefact bestaande uit tekstuele componenten:

Prompt: Natuurlijke taalinstructies.
Code: Uitvoerbare implementatie.
Tools: API- of tool-declaraties.
(Optionele componenten zoals configuratie of voorbeelden worden ook ondersteund.)

2.2 Convergente Transformatie (Embedding)

Elke component wordt onafhankelijk geëmbedd met behulp van een geleerde tekstencoder $E(\cdot) \to \mathbb{R}^d$ (specifiek Google's text-embedding-005, $d=768$ ). Deze encoder fungeert als een convergente transformatie, die functioneel equivalente componenten (ondanks parafrasering, hernoeming of refactoring) naar geometrisch nabije vectoren mapt. Het embedding-model zorgt voor de herschrijf-invariante eigenschap.

2.3 Multi-Bank SimHash

Om compactheid te bereiken, wordt elke 768-dimensionale embedding geprojecteerd naar bits met behulp van SimHash [5].

Mechanisme: Voor elke component worden 320 onafhankelijke willekeurige hypervlakken getrokken. Het teken van het inproduct tussen de embedding en elk hypervlak bepaalt een enkele bit.
Structuur: De 320 bits worden verpakt in vijf 64-bit woorden ("banks").
Resultaat: Een vaste 120-byte signature (3 componenten × 40 bytes per stuk) voor de skill. Cruciaal is dat de drie component-codes nooit worden samengevoegd tot een enkele scalar binnen de vingerafdruk; ze blijven een triple.

2.4 Vergelijking

Twee skills worden component-voor-component vergeleken met behulp van Hamming-afstand.

Gelijkenis voor een component: $sim = 1 - \frac{\text{popcount}(F_A \oplus F_B)}{320}$ .
De vergelijking is $O(1)$ en extreem snel (microseconden), gebruikmakend van bitwise XOR en population count instructies.
Applicaties kunnen de triple aggregeren (bijv. max voor recall, min voor strikte klonen, of gewogen gemiddelden) op basis van specifieke registerbehoeften.

3. Belangrijkste Bijdragen

Per-Component Decompositie: De primaire bijdrage is het behouden van de vingerafdruk als een triple (prompt, code, tools) in plaats van een enkele score. Dit stelt het systeem in staat om:
- Te differentiëren tussen lineage (structurele gelijkenis) en gedragsequivalentie.
- Precies te lokaliseren welk deel van een skill is hergebruikt of aangepast (bijv. dezelfde code, andere prompt = hergebruik; dezelfde prompt, andere code = reimplementatie).
- Relatieclassificatie mogelijk te maken (klonen, varianten, tool-swaps) zonder extra modellen.
Compacte, Hoge-getrouwheid Signature: De methode comprimeert een 24.576-bit embedding naar 120 bytes (77× compressie) terwijl de rangorde van de oorspronkelijke cosine similarity binnen 1% AUC wordt behouden.
Register Primitief: De vingerafdruk dient als de structurele as voor een skill-register, wat deduplicatie, familie-clustering, nieuwheidsdetectie en de generatie van een draagbare SkillBOM (Software Bill of Materials) mogelijk maakt.
Onderscheid tussen Identiteit en Veiligheid: Het artikel stelt expliciet dat de vingerafdruk identiteit (lineage) biedt, geen veiligheid. Het kan een skill identificeren als een aangepaste kopie van een bekende veilige basis, maar kan niet bepalen of de kopie kwaadwillend is.

4. Experimentele Resultaten

De auteurs evalueerden de vingerafdruk over meerdere corpora en benchmarks:

Getrouwheid aan Embedding: Bij 4.950 paar-vergelijkingen van geconstrueerde skill-varianten bereikte de vingerafdruk een AUC van 0,974 (95% CI [0,956, 0,994]). Per component volgde het de cosine similarity van de embedding binnen 1% (0,992 vs 0,993) bij 77× compressie.
Adversariële Robuustheid: Op een benchmark van 50 adversariële herschrijvingen (inclusclusief cross-language vertaling, obfuscatie en volledige herschrijvingen) herkende de vingerafdruk 45/50 herschrijvingen, terwijl een lexicale TF-IDF baseline slechts 5/50 herkende.
Relatieclassificatie: De per-component triple classificeerde correct 62% van de "same-group" paren als klonen en 24% als tool-swaps, met een foutieve klonering-rate van slechts 0,2% over cross-group paren.
Tamper Localization: In een 906-skill injectie-benchmark identificeerde de vingerafdruk 83,7% van de kwaadaardige skills als bijna-klonen van veilige skills. Cruciaal was dat het de tampering lokaliseerde: de gelijkenis van de code-component daalde (0,92–0,95) terwijl de prompt en tools hoog bleven, waarmee de locatie van de injectie werd aangewezen.
Beperking van Veiligheid: Als standalone veiligheidsdetector bereikte de structurele vingerafdruk een F1 van 0,735 (vs 0,946 voor gedragsverificatie), wat bevestigt dat structurele identiteit orthogonaal is aan gedragsintegriteit.

5. Betekenis en Claims

Het artikel betoogt dat identiteit de structurele as is van een skill-register, verschillend van en complementair aan gedragsverificatie.

Lineage boven Equivalentie: De vingerafdruk claimt "lineage" te identificeren (is dit een kopie/variant van een bekende skill?) in plaats van "gedragsequivalentie" (doet het hetzelfde?). Dit onderscheid is essentieel voor governance, waardoor platforms herkomst kunnen auditeren en tampering kunnen detecteren zonder veiligheidsoordelen te vellen.
Schaalbaarheid: Door skills te reduceren tot 120-byte, bit-indexeerbare signaturen, maakt de methode constante-tijd vergelijkingen en efficiënte indexering van miljoenen skills mogelijk, een prestatie die onmogelijk is met ruwe embeddings.
Composabiliteit: De auteurs postuleren een "twee-assen model" van vertrouwen: Structurele Identiteit (dit werk) + Gedragsintegriteit (runtime verificatie). De vingerafdruk behandelt de "wie/wat" (lineage, tampering, hergebruik), terwijl gedragscontroles de "hoe veilig" behandelen.
Bescheidenheid: De auteurs geven expliciet aan dat de vingerafdruk niet collision-resistant is (een tegenstander zou theoretisch een skill kunnen creëren om een vertrouwde familie na te bootsen) en geen veiligheidsverdict is. Het is een triage- en lineage-signaal dat ontworpen is om te worden gecombineerd met cryptografische hashes en gedragscontroles.

Samenvattend presenteert het artikel een praktische, wiskundig onderbouwde oplossing voor het beheren van de explosieve toename van AI-agent skills, waarbij gelijkenis transformeert van een enkel getal naar een rijk, component-niveau signaal voor registerbeheer en herkomsttracking.