Resumo Técnico: SkillZip

Declaração do Problema

Modelos de Linguagem de Grande Escala (LLMs) funcionam cada vez mais como agentes cujo conhecimento procedural é armazenado em bibliotecas de habilidades externas e reutilizáveis. À medida que essas bibliotecas escalam, surge um desafio central: como expor o contexto executável mínimo suficiente sob um orçamento limitado de tokens. Os sistemas existentes sofrem de um "desajuste de unidade" fundamental ao longo do pipeline de recuperação-compressão-execução:

1. Granularidade de Recuperação: As habilidades são recuperadas como pacotes inteiros, mesmo quando uma tarefa exige apenas rotinas internas específicas (ex: normalização de cabeçalho compartilhada entre as habilidades "Limpar CSV" e "Tabela Dinâmica").
2. Fidelidade de Compressão: Métodos de compressão frequentemente tratam as habilidades como texto, resumindo o conteúdo sem preservar contratos procedurais explícitos (interfaces, dependências e verificadores). Isso corre o risco de obscurecer precondições ou desassociar operações de seus ganchos de verificação.
3. Persistência de Execução: Grafos de execução são tipicamente construídos apenas após a recuperação, o que significa que a própria biblioteca não é armazenada como uma estrutura comprimida e persistente. Rotinas recorrentes são redescobertas e reverificadas a cada tarefa.
4. Manutenção: A compressão estática não consegue se adaptar a novas habilidades ou evidências de execução que revelam quais abstrações são confiáveis ou arriscadas.

Metodologia

Os autores propõem o SkillZip, um framework de abstração procedural consciente da execução que realiza compressão de grafos preservando contratos sobre grafos de nível de seção. O framework opera através de quatro componentes principais:

1. Sec2Graph: Construindo Subgrafos Procedurais

O SkillZip altera a unidade de representação de pacotes de habilidades inteiros para nós de nível de seção baseados em fonte e portadores de contrato.

• Fundamentação por Seção: Os pacotes de habilidades são segmentados em seções tipadas (ex: Intento, Gatilho, Entrada, Precondição, Operação, Recurso, Falha, Verificador, Saída) com base em pistas estruturais e análise assistida por modelo.
• Extração de Contrato: Cada seção recebe um contrato local incluindo assinaturas de I/O tipadas, vínculos de recursos, condições de guarda e ganchos de verificação.
• Construção de Grafo: As seções são conectadas via arestas de dependência tipadas (ex: Requer, Verifica, UsaRecurso). A reutilização entre habilidades é modelada vinculando seções compatíveis a protótipos canônicos compartilhados, preservando simultaneamente ponteiros de origem específicos da ocorrência.

2. MotifZip: Compressão Preservadora de Contratos

Este módulo minera subgrafos recorrentes e os reescreve em macros portadas reversíveis apenas quando seus contratos procedurais permanecem explícitos e recuperáveis.

• Mineração Consciente de Interface: Candidatos são cultivados a partir de interfaces de execução compatíveis (assinaturas de papel, formas de I/O) em vez de spans de texto arbitrários.
• Validação de Contrato: Um motivo é aceito apenas se:
  • Assinaturas de Fronteira: Portas de entrada/saída e requisitos de recursos são estáveis entre as ocorrências.
  • Fechamento de Dependência: Todas as dependências são internas ou explicitamente expostas via portas de macro.
  • Alcance do Verificador: Toda operação de mudança de estado retém um verificador alcançável dentro do contrato ou saída da macro.
• Reescrita Reversível: Motivos aceitos tornam-se regras de produção em uma gramática de grafo atribuído tipado. As macros podem ser expandidas de volta para suas seções de origem originais, garantindo que não haja perda de proveniência.

3. PathHydrate: Contexto Executável Orçado

No tempo de inferência, o PathHydrate recupera um subgrafo compacto e fechado em dependências e o renderiza como um contexto executável.

• Fusão de Sementes de Duplo Nível: Mapeia consultas de tarefas para sementes de seção usando tanto embeddings de nível de subobjetivo (capacidade/saída) quanto de consulta bruta (nome/recurso), fundidos via Reciprocal Rank Fusion (RRF) para equilibrar precisão e coerência de pacote.
• Compilação Consciente de Topologia: Busca um subgrafo conectado compacto que satisfaça cobertura de âncoras, fechamento de dependência e alcance de verificador dentro do orçamento de tokens.
• Hidratação Progressiva: As macros são renderizadas no nível mais baixo suficiente (Nome, Contrato, Esboço ou Fonte Completa). A expansão ocorre apenas se o contrato não expuser um input, guarda ou verificador necessário.

4. ReZip: Manutenção Incremental da Biblioteca

O ReZip atualiza a biblioteca comprimida conforme novas habilidades e traços de execução chegam.

• Assimilação de Novas Habilidades: Novas habilidades são confrontadas com macros existentes; resíduos não correspondentes são colocados em buffer.
• Promoção de Resíduos: Resíduos recorrentes são promovidos a novas macros apenas após acumular suporte entre múltiplas habilidades e passar por verificações de contrato.
• Revisão Baseada em Risco: Traços de execução (ex: falhas de verificador, custos de reparo downstream) disparam a demissão ou divisão de macros arriscadas, revertendo-as para seções de origem ou regras mais estreitas.

Principais Contribuições

• Memória Procedural de Nível de Seção: O SkillZip organiza habilidades em grafos executáveis de seções tipadas, expondo a reutilização interna enquanto retém papéis de execução e dependências.
• Compressão de Macro Preservadora de Contrato: Introduz um mecanismo de compressão que substitui motivos recorrentes por macros reversíveis, preservando estritamente contratos de fronteira, fechamento de dependência e alcance de verificador.
• Hidratação de Contexto Executável Orçado: O sistema recupera subgrafos compactos e expande macros progressivamente apenas quando a execução exige mais detalhes, evitando o carregamento de corpos inteiros de habilidades.
• Manutenção Incremental Consciente da Execução: O framework atualiza dinamicamente o dicionário de macros com base em novas habilidades e evidências de execução, garantindo que procedimentos comprimidos permaneçam alinhados com requisitos de confiabilidade.

Resultados Experimentais

Os autores avaliaram o SkillZip no SkillsBench (construção de artefatos) e no ALFWorld (tarefas incorporadas) usando dois LLMs de base (MiniMax-M2.7 e gpt-5.2-codex).

• Desempenho: O SkillZip superou consistentemente baselines fortes (incluindo SkillDAG e GoS). No ALFWorld com MiniMax-M2.7, melhorou a taxa de sucesso de episódio em 12,2 pontos sobre o SkillDAG (79,3% vs. 67,1%). No SkillsBench, alcançou uma recompensa de tarefa de 33,3%, superando o SkillDAG em 6,0 pontos.
• Compressão e Fidelidade: O SkillZip alcançou uma razão de compressão de 3,46× enquanto mantinha 99,2% de preservação de dependência (DPR) e 98,7% de alcance de verificador (VR). Em contraste, métodos de compressão baseados em texto reduziram significativamente a fidelidade estrutural (DPR caiu para 65,0%).
• Qualidade de Recuperação: A recuperação de nível de seção reduziu significativamente a ambiguidade. Em uma biblioteca de 100K habilidades, o SkillZip manteve um Ret@1 de 65,1, superando o SkillDAG em 23,3 pontos, demonstrando escalabilidade superior.
• Eficiência: O SkillZip reduziu o armazenamento ativo em 71,0% e a renderização de contexto em 72,1% comparado ao carregamento do top-5 de habilidades inteiras. O tempo de tarefa end-to-end foi reduzido em 21,1%, e o processamento total de prompts em 47,0%.

Significância e Alegações

O artigo afirma que o SkillZip aborda o "desajuste de unidade" em bibliotecas de habilidades de agentes ao tratar o subgrafo de seção portador de contrato como a unidade fundamental para recuperação, compressão e execução. Os autores argumentam que a reutilização confiável requer a preservação do contrato procedural (interface, execução e verificação) em vez de apenas similaridade textual.

A significância do trabalho reside em demonstrar que:

1. Granularidade importa: Recuperar seções de execução completa em vez de pacotes inteiros reduz a ambiguidade e o inchaço do contexto.
2. Estrutura importa: Comprimir com base em contratos procedurais explícitos (dependências e verificadores) é essencial para manter a executabilidade, enquanto a sumarização de texto frequentemente quebra a lógica de execução.
3. Escalabilidade é alcançável: Ao comprimir padrões recorrentes em macros reversíveis e mantê-los incrementalmente, bibliotecas de habilidades podem escalar para mais de 100K habilidades sem degradar o desempenho de recuperação ou a confiabilidade da execução.

Os autores concluem que o SkillZip permite a reutilização eficiente e confiável de habilidades em tarefas de agente de longo horizonte, fornecendo uma camada de memória procedural compacta, fechada em dependências e expansível a partir da fonte.