エージェント2026/8/6arXiv:2608.05604

SkillZip: 契約保存型グラフ圧縮によるスケーラブルなエージェントスキルライブラリ

SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries

大規模言語モデルエージェントのスキルライブラリを、実行可能なまま圧縮するフレームワークSkillZipを提案。セクションレベルのグラフを契約を保って圧縮し、推論時に展開することで、圧縮率と依存関係の保持を両立する。

詳しい要約

1. どんなもの？

SkillZipは、大規模言語モデル(LLM)エージェントのスキルライブラリを、実行可能かつ拡張可能な形で圧縮するフレームワークである。スキルをセクションレベルのグラフとして表現し、契約(contract)を保持したまま圧縮を行う。推論時には、依存関係が閉じたコンパクトなコンテキストを提供し、必要なマクロのみを展開する。また、ReZipと呼ばれる更新機構により、新しいスキルの統合とリスクのあるマクロの修正を実行証拠に基づいて行う。

2. 先行研究と比べてどこがすごい？

既存システムは、スキル全体をパッケージとして取得し、テキストとして圧縮し、取得後に実行グラフへ変換するため、スキル以下の再利用、圧縮中の手続き的契約の保持、圧縮ルーチンの実行可能性と拡張性の維持、スキル進化に伴うライブラリ更新が困難である。SkillZipは、契約を保持した手続き的抽象化をセクションレベルのグラフに対して行い、これらの課題を解決する。

3. 技術・手法の肝は？

手法の核心は、セクションレベルのグラフ上で契約を保持した圧縮を行う点にある。具体的には、繰り返し出現する契約妥当なモチーフを、可逆的なポート付きマクロに書き換える。この際、境界シグネチャ、依存関係クロージャ、検証器到達可能性、ソースレベルの展開可能性を保持する。推論時には、依存関係が閉じたコンパクトなコンテキストを水和し、必要なマクロのみを展開する。ReZipは、実行証拠を用いて新しいスキルの統合とリスクのあるマクロの修正を行う。

4. どうやって有効だと検証した？

技術的および具現化エージェントのベンチマークを用いた包括的な実験により検証した。最強のベースラインと比較して最大12.2ポイントの性能向上を達成し、3.46倍の圧縮率、99.2%の依存関係保持率、98.7%の検証器到達可能性を実現した。さらに、200から100Kスキルのライブラリにわたるスケーリング解析により、堅牢な検索性能を確認した。

5. 議論はある？

要旨からは、圧縮による性能劣化の可能性や、マクロ展開のオーバーヘッド、契約の定義の一般性などに関する議論は不明である。また、実験の具体的なベンチマーク名やベースラインの詳細も要旨には記載されていない。

6. 次に読むべき論文は？

要旨で参照されている関連研究は明示されていないが、同分野の定番として、LLMエージェントのスキルライブラリに関する研究（例えば、VoyagerやGhost in the Minecraftなど）や、グラフ圧縮、プログラム合成、手続き的知識の抽象化に関する論文が挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xingyu Tan, Xiaoyang Wang, Qing Liu, Xiwei Xu, Xin Yuan, Liming Zhu, Wenjie Zhang

分類: cs.CL, cs.AI

原文アブストラクト

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.

arXivで原文を読む →arXiv概要ページ

← 論文一覧