論文の概要: SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries
- arxiv url: http://arxiv.org/abs/2608.05604v1
- Date: Thu, 06 Aug 2026 05:03:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.820676
- Title: SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries
- Title（参考訳）: SkillZip: スケーラブルなエージェントスキルライブラリのためのコントラクト保存グラフ圧縮
- Abstract要約: 大規模言語モデル(LLM)は、手続き的知識が再利用可能なスキルパッケージに格納され、推論時にロードされるエージェントとしてますます機能する。
既存のシステムは、全体的なスキルレベル以下でのルーチンの再利用に苦労し、圧縮中の手続き的契約を維持し、圧縮されたルーチンを実行可能かつ拡張可能にし、スキルが進化するにつれて圧縮されたライブラリを更新する。
本稿では,SkillZipを提案する。SkillZipは,部分レベルグラフ上でコントラクト保存圧縮を行う,実行対応プロシージャ抽象化フレームワークである。
- 参考スコア（独自算出の注目度）: 23.125090024964674
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、手続き的知識が再利用可能なスキルパッケージに格納され、推論時にロードされるエージェントとしてますます機能する。
スキルライブラリが成長するにつれ、限られたコンテキスト予算の下で、最小限の実行可能なコンテキストを公開することが大きな課題となる。
既存のシステムは、全体的なスキルレベル以下でのルーチンの再利用に苦労し、圧縮中の手続き的契約を維持し、圧縮されたルーチンを実行可能かつ拡張可能にし、スキルが進化するにつれて圧縮されたライブラリを更新する。
スキルはパッケージとして検索され、テキストとして圧縮され、検索後にのみ実行グラフに変換される。
本稿では,SkillZipを提案する。SkillZipは,部分レベルグラフ上でコントラクト保存圧縮を行う,実行対応プロシージャ抽象化フレームワークである。
SkillZipは、境界シグネチャ、依存性のクロージャ、検証者到達性、ソースレベルの拡張を保ちながら、繰り返し発生するコントラクト無効なモチーフを可逆的な移植マクロに書き換える。
推論時には、コンパクトで依存性を閉じたコンテキストをハイドレートし、必要に応じてマクロを拡張する。
ReZipは新たなスキルを統合し、実行エビデンスを使用してリスクの高いマクロを改訂する。
技術的および具体的エージェントベンチマークに関する総合的な実験1では、SkillZipは最大12.2ポイント、圧縮率3.46倍、依存性保存99.2%、検証到達率98.7%を一貫して上回っている。
スケーリング分析により、200から100Kスキルのスキルライブラリ間の堅牢な検索がさらに確認される。
関連論文リスト
- From Interaction Traces to Persistent Skills: Online Evolution for Computer-Use Agents [48.50635499112162]
本稿では,インタラクショントラジェクトリと評価器フィードバックを再利用手順の永続的でバージョン管理されたライブラリに変換するオンラインスキル進化フレームワークを提案する。
我々は、OSWorldの4つのアプリケーションドメインにまたがって、完全に進化するライブラリシステムと、設定にマッチした空のライブラリ制御を比較した。
GIMPでは、プロファイランス・アウェア・アナリティクスにより、タスク・オブ・オリジンの境界を越えた検索とリビジョンが示され、繰り返し受け入れられた編集が元のタスクの回復に失敗する。
論文 参考訳（メタデータ） (2026-09-04T08:29:45Z) - Benchmarking Composable Compression Techniques in Mixture-of-Experts LLMs [50.677556944160216]
MoEXBenchは、構成可能なMoE圧縮をエンドツーエンドのデプロイメントワークフローとして評価するための体系的なベンチマークである。
コンポーザブル圧縮品質、ワークロードとアーキテクチャ、プルーニング/量子化/KVキャッシュ感度、コモディティハードウェアへのデプロイメント効率を測定する。
論文 参考訳（メタデータ） (2026-08-22T00:01:18Z) - SkillZip: Evaluation-Free Skill Compression for Self-Evolving Agents by Discovering Reusable Structure [13.304443478478134]
自己進化エージェントは、成功手順と失敗修正を追加することで、再利用可能なスキルを蓄積する。
素早い圧縮は、スキルが平らなパスではないため、この設定に不適である。
本稿では、最短の忠実な構造的説明を見出すことにより、スキルを圧縮する評価自由な手法であるSkillZipを提案する。
論文 参考訳（メタデータ） (2026-08-11T15:41:19Z) - What Should a Skill Remember? Quality--Cost Trade-offs in Cost-Aware Skill Rewriting for Language Model Agents [58.87681796862133]
我々は経済的なレンズを通してスキルの書き直しを勉強する。
我々のフレームワークは、情報保存戦略を用いて、スキル構造をプロファイルし、スキルを書き換える。
SkillsBenchの実験は、戦略間の異なる品質とコストのトレードオフを明らかにしている。
論文 参考訳（メタデータ） (2026-06-08T12:36:51Z) - Anything2Skill: Compiling External Knowledge into Reusable Skills for Agents [27.965275812765015]
Anything2Skillは、異種外部の知識を再利用可能な、検索可能な、エージェントの実行可能なスキルにコンパイルする分類誘導フレームワークである。
我々は、Anything2SkillとRAGを組み合わせることで、それぞれ98.85%と94.10%の成功率が得られることを示した。
論文 参考訳（メタデータ） (2026-06-08T10:24:32Z) - SkillRAE: Agent Skill-Based Context Compilation for Retrieval-Augmented Execution [10.83969404435554]
大きな言語モデル(LLM)ベースのエージェントは、アーティファクトリッチなタスクを解決するために、再利用可能なスキルライブラリに依存している。
本稿では,スキルベースのコンテキストコンパイルに着目した2段階RAE手法であるSkillRAEを提案する。
2つの公開ベンチマークの実験によると、SkillRAEはRAEのベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2026-05-11T07:31:48Z) - Experience Compression Spectrum: Unifying Memory, Skills, and Rules in LLM Agents [9.989306175511238]
LLMエージェントは、長期のマルチセッションデプロイメントにスケールし、蓄積したエクスペリエンスを効率的に管理することが重要なボトルネックとなる。
本稿では, メモリ, スキル, ルールを, 圧縮の増大の一軸に沿った点として位置づける統一フレームワークであるEmphExperience Compression Spectrumを提案する。
論文 参考訳（メタデータ） (2026-04-17T09:26:25Z) - Detecting Overflow in Compressed Token Representations for Retrieval-Augmented Generation [49.48204107529758]
我々はトークンオーバーフローを、圧縮された表現が与えられたクエリに応答する十分な情報を含んでいない状態として定義する。
本稿では,非圧縮トークン表現から,クエリ非依存の飽和統計を確実に分離することを見出した。
クエリとコンテキストの両方のxRAG表現上の軽量なプローブ分類器は平均0.72 AUC-ROCでオーバーフローを検出する。
これらの結果は、クエリ非依存の診断からクエリ対応検出まで進歩し、低コストのプレLLMゲーティングにより、圧縮によるエラーを軽減できる。
論文 参考訳（メタデータ） (2026-02-12T18:15:08Z) - Trace: Securing Smart Contract Repository Against Access Control Vulnerability [58.02691083789239]
GitHubはソースコード、ドキュメント、設定ファイルを含む多数のスマートコントラクトリポジトリをホストしている。
サードパーティの開発者は、カスタム開発中にこれらのリポジトリからコードを参照、再利用、フォークすることが多い。
スマートコントラクトの脆弱性を検出する既存のツールは、複雑なリポジトリを扱う能力に制限されている。
論文 参考訳（メタデータ） (2025-10-22T05:18:28Z) - UniGist: Towards General and Hardware-aligned Sequence-level Long Context Compression [86.33995240043936]
UniGistは、大規模言語モデルのためのシーケンスレベルのロングコンテキスト圧縮フレームワークである。
生のトークンを特別な圧縮トークン(gist)に微粒な方法で置き換えることで、コンテキスト情報を効率的に保存する。
提案手法は,圧縮トークンの実際の除去を可能にすることで,フレキシブルな推論もサポートしている。
論文 参考訳（メタデータ） (2025-09-19T08:47:37Z) - EXIT: Context-Aware Extractive Compression for Enhancing Retrieval-Augmented Generation [8.757777529568383]
現在のRAGシステムは、検索モデルが最も関連性の高い文書のランク付けに失敗したときにしばしば苦労する。
抽出文脈圧縮フレームワークEXITを紹介する。
評価の結果,EXITは既存の圧縮手法を一貫して上回っていることがわかった。
論文 参考訳（メタデータ） (2024-12-17T05:38:27Z) - Concise and Precise Context Compression for Tool-Using Language Models [60.606281074373136]
ツールを用いた言語モデルにおいて,ツール文書を簡潔かつ高精度な要約シーケンスに圧縮する2つの手法を提案する。
API-BankとAPIBenchの結果,最大16倍の圧縮率で上行ベースラインに匹敵する性能を示した。
論文 参考訳（メタデータ） (2024-07-02T08:17:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。