SkillZip：可扩展代理技能库的契约保留图压缩

大语言模型 (LLM) 越来越多地充当代理，其程序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，一个核心挑战是在有限的上下文预算下暴露最小的足够的可执行上下文。现有系统很难重用低于整体技能水平的例程，在压缩期间保留程序契约，保持压缩例程的可执行性和可扩展性，并随着技能的发展更新压缩库。这些挑战揭示了单元不匹配：技能以包的形式检索，以文本的形式压缩，仅在检索后才转换为执行图，而可靠的重用则需要具有合同的程序单元。我们提出了 SkillZip，这是一种执行感知的过程抽象框架，可以在部分级图上执行契约保留压缩。 SkillZip 将重复出现的合同有效主题重写为可逆移植宏，同时保留边界签名、依赖闭包、验证者可达性和源代码级扩展。在推理时，它会生成一个紧凑的、依赖封闭的上下文，并仅在需要时扩展宏。 ReZip 进一步集成新技能，并使用执行证据修改有风险的宏。对技术和具体代理基准的综合实验1表明，SkillZip 始终比最强基线高出 12.2 个百分点，同时实现了 3.46 倍的压缩比、99.2% 的依赖性保留和 98.7% 的验证者可达性。扩展分析进一步证实了跨 200 到 100K 技能的技能库的稳健检索。