SkillZip：通过发现可复用结构实现自进化智能体的免评估技能压缩

自进化智能体通过追加成功流程和失败修复来积累可复用技能。随着时间推移，同一需求常在多个分支、示例和警告中被反复表述，而常见的动作序列被复制而非复用。由此产生的技能注入成本高昂且难以维护。通用的提示词压缩不适合这一场景，因为技能不是一段平铺文本：其名称和描述定义适用时机，其工作流控制执行，其工具与输出契约约束有效性，而罕见异常即使在没有采样任务触发时也可能至关重要。评估引导的压缩可以测试这些行为，但会引入rollout、成本以及对压缩时评估集的依赖。我们提出SkillZip，一种免评估方法，通过寻找技能的最短忠实结构解释来压缩技能。其直觉是“一次解释，多处引用”：在规则适用的作用域只陈述一次重复规则，将重复的动作序列分解为共享过程，并仅把差异保留为显式异常。我们将这一直觉形式化为技能契约与残差上带类型的最小描述长度目标，并对每个提取出的触发器、工作流边、工具需求、义务和输出字段施加硬覆盖约束。该形式化提供了简单的共享阈值、在构造上保留独特的罕见规则，并支持高效的局部更新。SkillZip具有单次模式（一次结构化提取调用加确定性优化）和持续的Zip-on-Write模式（集成每个自进化补丁而无需重放任务或重新解析全部历史）。通过全面的实验评估，我们证明了SkillZip在压缩性能、泛化能力和成本开销方面的有效性与优越性。