SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries
作者: Xingyu Tan, Xiaoyang Wang, Qing Liu, Xiwei Xu, Xin Yuan, Liming Zhu, Wenjie Zhang
分类: cs.CL, cs.AI
发布日期: 2026-08-06
💡 一句话要点
提出SkillZip以解决技能库压缩与执行问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 技能库 图压缩 合同保持 执行感知 智能代理 过程抽象 可重用性
📋 核心要点
- 现有方法在技能库压缩时难以保持过程合同，导致可执行性和可扩展性不足。
- SkillZip通过执行感知的过程抽象框架，在节段级图上进行合同保持压缩，优化技能的重用。
- 实验结果显示，SkillZip在多个基准上超越最强基线，压缩比达到3.46倍，依赖保持率和验证器可达性均高于98%。
📝 摘要（中文）
大型语言模型（LLMs）越来越多地作为代理，其过程知识存储在可重用的技能包中，并在推理时加载。随着技能库的增长，如何在有限的上下文预算下暴露最小的可执行上下文成为一个中心挑战。现有系统在低于整体技能级别的例程重用、压缩过程中的合同保持、保持压缩例程的可执行性和可扩展性，以及随着技能演变更新压缩库方面存在困难。为此，本文提出了SkillZip，一个执行感知的过程抽象框架，能够在节段级图上进行合同保持压缩。SkillZip将重复的合同有效图案重写为可逆的移植宏，同时保持边界签名、依赖闭合、验证器可达性和源级扩展。在推理时，它会注入一个紧凑的、依赖闭合的上下文，并仅在需要时扩展宏。实验表明，SkillZip在技术和具身代理基准上始终优于最强基线，压缩比达到3.46倍，依赖保持率为99.2%，验证器可达性为98.7%。
🔬 方法详解
问题定义：本文旨在解决技能库压缩过程中合同保持和可执行性的问题。现有方法在低级别例程重用和更新压缩库时存在明显不足，导致技能的有效性和可扩展性受到影响。
核心思路：SkillZip的核心思路是通过执行感知的过程抽象框架，在节段级图上进行合同保持压缩。该方法重写重复的合同有效图案为可逆的移植宏，确保在压缩过程中保持必要的执行上下文。
技术框架：SkillZip的整体架构包括两个主要模块：合同保持压缩模块和推理时的宏扩展模块。前者负责在压缩过程中保持合同有效性，后者在推理时根据需要动态扩展宏。
关键创新：SkillZip的最大创新在于其合同保持压缩机制，能够在不损失可执行性的情况下，显著提高技能库的压缩效率。这与现有方法的直接压缩方式形成鲜明对比。
关键设计：在设计上，SkillZip关注边界签名、依赖闭合和验证器可达性等关键参数，确保压缩后的技能库在执行时的有效性和安全性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SkillZip在技术和具身代理基准上超越最强基线，提升幅度达到12.2分，同时实现了3.46倍的压缩比，依赖保持率为99.2%，验证器可达性为98.7%。这些结果证明了SkillZip在技能库管理中的有效性和优越性。
🎯 应用场景
SkillZip的研究成果在多个领域具有潜在应用价值，尤其是在智能代理、自动化系统和机器人技术中。通过提高技能库的压缩效率和可重用性，该方法能够显著提升智能系统的响应速度和处理能力，推动智能技术的进一步发展。
📄 摘要（原文）
Large Language Models (LLMs) increasingly act as agents whose procedural knowledge is stored in reusable skill packages and loaded at inference time. As skill libraries grow, a central challenge is to expose the smallest sufficient executable context under a limited context budget. Existing systems struggle to reuse routines below the whole-skill level, preserve procedural contracts during compression, keep compressed routines executable and expandable, and update the compressed library as skills evolve. These challenges reveal a unit mismatch: skills are retrieved as packages, compressed as text, and converted into execution graphs only after retrieval, whereas reliable reuse requires a contract-bearing procedural unit. We propose SkillZip, an execution-aware procedural abstraction framework that performs contract-preserving compression over section-level graphs. SkillZip rewrites recurring contract-valid motifs into reversible ported macros while preserving boundary signatures, dependency closure, verifier reachability, and source-level expansion. At inference time, it hydrates a compact, dependency-closed context and expands macros only when required. ReZip further integrates new skills and revises risky macros using execution evidence. Comprehensive experiments1 on technical and embodied agent benchmarks show SkillZip consistently outperforms the strongest baseline by up to 12.2 points, while achieving a 3.46x compression ratio with 99.2% dependency preservation and 98.7% verifier reachability. Scaling analyses further confirm robust retrieval across skill libraries ranging from 200 to 100K skills.