SKILL.state：可扩展的长时程智能体技能

大语言模型（LLM）越来越多地充当自主智能体，执行复杂、长时间运行的程序性技能。现有智能体运行时通过把观测、动作和中间推理轨迹不断追加到持续增长的对话历史中来维持执行，导致长时程下的延迟退化和上下文污染失效。我们提出SKILL.state，一种用显式、可变的执行状态取代只追加式对话历史的运行时架构。在每个执行步骤，模型只接收不可变的技能规范、当前的结构化执行状态和最新观测。中间推理在产生经过校验的状态更新后立即被丢弃，防止提示随执行历史增长。在多样的数据集、模型和执行环境中，SKILL.state提高了任务准确率，同时大幅降低了累积token消耗。我们的结果表明，显式执行状态是一种有效且与架构无关的抽象，可用于可扩展的长时程智能体技能。