可以出发了：LOOP技能引擎以一次性录制与确定性回放实现99%成功率并削减99%的token用量

将AI智能体部署于重复性周期任务暴露出一个关键矛盾：大语言模型（LLM）在工具编排上具备无可比拟的灵活性，但其固有随机性导致不可预测的失败，且反复调用产生高昂的token成本。我们提出LOOP SKILL ENGINE，一个通过一次性录制、确定性回放范式，对周期性智能体任务实现合计99%成功率与99% token削减的系统。首次运行时，智能体以完整的LLM推理执行任务，同时系统透明地拦截并记录完整的工具调用轨迹。随后，一个贪心长度递减的模板抽取算法将这段录制转换为参数化、无分支的Loop Skill——一个捕获任务功能意图、并对时间相关与结果相关变量进行参数化的确定性执行计划。后续所有执行完全绕过LLM：引擎依据实时值解析模板变量并确定性地回放工具序列。我们证明两个定理：(1)回放确定性——经过验证的Loop Skill的步骤序列在所有未来执行中保持不变；(2)写入安全——对持久配置的并发访问通过可重入锁与原子文件替换实现串行化。在覆盖5分钟到24小时间隔的周期性智能体任务基准上，Loop Skill Engine将月度token消耗降低93.3%-99.98%，将执行延迟削减8.7倍，同时消除输出非确定性。多层降级策略保证任务永不中断。我们将该引擎作为buddyMe开源智能体框架的一部分发布。