摘要
随着大语言模型作为Agent的应用日益广泛,其程序性知识通常以可复用的技能包形式存储并在推理时加载。然而,随着技能库规模的扩大,如何在有限的上下文预算下暴露最小且充分的可执行上下文成为主要挑战。现有系统难以在低于完整技能的粒度上复用例程,且在压缩过程中难以保持过程契约、确保可执行性及可扩展性。本文提出SkillZip,一种感知执行的程序抽象框架,通过对节级图进行合同保持型压缩来解决这一问题。SkillZip将重复出现的契约有效模式重写为可逆的端口宏,同时保留边界签名、依赖闭包和验证器可达性。实验表明,该方法在多项基准测试中显著优于基线,实现了高压缩比与高依赖保留率。
AI 推荐理由
论文直接针对Agent技能库的压缩与管理,旨在优化技能的重用与执行效率,属于技能学习领域的核心机制研究。
研究机构
UNSW & CSIRO
UNSW
CSIRO
CSIRO & UNSW
论文信息