SkillEffect：面向内存受限Agent工具的经校验代码落地

Agent Skills可以为工具使用规定程序性和资源性义务，语言模型将它们实例化为具体程序。然而，当模型把这种指导转化为针对现有工具接口的代码时，即使是语义正确的程序也可能加载整个输入并超出单次工具调用可用的内存。我们提出SkillEffect，一个面向具有可恢复源关系、经审计的有界实现和注册输出后条件的计算的受检落地（checked lowering）运行时。在授予执行权限之前，一个独立检查器从提交的程序和不可变输入重建每个提议的落地实现。每个关系插件提供源识别器、输入事实抽取器、有界IR构造器、容量界函数和后条件；一个公共运行时提供受检选择、有界VM执行、原子容量租赁和分阶段发布。SkillEffect中的通用性是架构性的而非自动的：每个受支持的计算都需要一个经审计的关系插件，而分发、资源控制、执行和发布机制在插件间共享。在六个算子族上，有界访问大幅降低峰值内存并提高了在外部固定上限下的完成率。六个插件在五种执行模式上实例化同一契约，从流式归约到有界堆Top-k。XLSX接入研究和Top-k扩展表明，新关系和新的保留状态模式复用同一信任边界，同时检查器接受所有被评估的合法配置并拒绝所有对抗性提案。这些结果共同表明，一个受检落地架构可以在Agent工具分发时强制执行异构的注册内存关系。