SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries
SkillZip 是一个执行感知的框架，它通过执行保持契约的、章节级的图压缩，来生成紧凑且依赖封闭的上下文，从而实现可扩展的智能体技能库，并在效率和检索准确度方面均优于现有基准。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个超级聪明的机器人做家务，比如做一顿饭或整理一个乱糟糟的房间。你不能只给机器人一本长达500页的指令手册来应对每一项任务；否则它会感到不知所措、遗忘重要部分，或者当你只想让它叠衣服时，它却在读关于如何烤蛋糕的内容。这就是 AI 智能体（AI Agents） 的世界：这些计算机程序利用“大语言模型”（即聊天机器人背后的那种大脑）来学习如何使用工具并解决问题。为了帮助它们，我们给它们一个“技能库”——一个可重复使用的指令集合，就像一本食谱或一个工具箱。
但问题在于，随着这些技能库增长到包含数千种技能，它们会变得杂乱无章。如果要求机器人“清理一个 CSV 文件”，它可能会调出一整本关于“数据分析”的书，其中包含了制作图表和撰写报告的章节，尽管它其实只需要前三个步骤来完成清理文件的任务。这浪费了机器人的记忆力，也让它感到困惑。科学家们正在探讨的核心问题是：我们如何将这些庞大的指令库压缩到最小、最有效的片段，同时又不丢失那些能防止机器人犯错的安全检查和规则？
这就是名为 SkillZip 的新系统发挥作用的地方。把它想象成一个针对机器人指令手册的神奇压缩工具。SkillZip 并没有将整个技能（如“清理 CSV”）视为一个巨大的、不可更改的整体，而是将每个技能分解为最小的工作单元：意图（Intent）（我们想做什么）、操作（Operation）（实际执行的步骤）以及验证器（Verifier）（确保工作成功的安全检查）。
研究人员发现，这些细小的部分在不同的技能之间是高度一致的。例如，“清理 CSV”和“透视表（Pivot Table）”都需要执行完全相同的操作来读取文件并检查行是否正确。旧系统会加载整个“清理 CSV”手册和整个“透视表”手册，从而浪费空间。而 SkillZip 则能识别出这些重复的模式，并将它们转化为宏（macros）——就像可以重复使用的贴纸或电子表格中的宏一样。它会说：“嘿，这个‘读取文件’的步骤我们已经见过一百次了，让我们把它作为一个微小的、可重复使用的宏存储起来吧。”
但这里有一个陷阱。如果你只是单纯地压缩文本，你可能会不小心删掉一条安全规则，比如“在开始之前确保文件不是空的”。这会非常危险。SkillZip 的特别之处在于它是**契约保持型（contract-preserving）**的。它像是一位细心的编辑，只有在“契约”（规则、输入、输出和安全检查）保持完好无损的前提下，才会对文本进行压缩。它确保即使指令现在变成了一个微小的宏，机器人也清楚地知道该喂给它什么数据，以及如何检查结果是否正确。如果机器人稍后需要更多细节，SkillZip 可以瞬间将宏“解压”回原始的完整指令。
在实验中，团队在两种不同类型的机器人挑战中测试了该系统：一种涉及数据处理（如清理电子表格），另一种涉及机器人在虚拟房屋中导航。他们发现 SkillZip 非常有效。它成功地将技能库缩小了 3.46 倍（使其体积减小到原来的不到三分之一），同时保留了 99.2% 的必要步骤连接以及 98.7% 的安全检查可达性。
结果令人印象深刻。使用 Skill-Zip 时，机器人的任务解决能力远高于旧方法。在数据挑战中，与次优系统相比，机器人的成功率提升了高达 12.2 个百分点。更重要的是，机器人不仅变得更快了，而且变得更聪明了。因为不再被无关的指令内容所困扰，它们犯错更少，完成任务所需的尝试次数也更少。该系统还展示了其可扩展性：随着技能库从 200 个扩展到 100,000 个，SkillZip 依然能防止机器人产生混乱，证明了这种“拉链式”方法即使在指令书变成巨型百科全书时依然奏效。
简而言之，SkillZip 表明，机器人智能的未来不仅仅在于给予它们更多的信息，而在于给予它们正确的信息，并将其完美压缩，使它们能在需要时精准找到所需内容，且绝不会丢失那些防止其出错的安全规则。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。