停止复制粘贴技能：SkillZip 为臃肿智能体提供免评估修复方案

自进化智能体构建技能的方式与某些代码库的成长方式如出一辙：通过追加。一个流程成功了，就被保存下来。一次失败产生了修复，于是修复也被加入其中。不久之后，同一个需求就会在多个分支、示例和警告中被反复陈述，常见的动作序列被复制而非复用。结果是，一项技能的注入成本高昂且难以维护。

一篇于 2026 年 8 月 11 日发布在 arXiv 上的论文提出了一种不同的做法。SkillZip 通过寻找最短的忠实结构化解说来压缩技能。正如摘要所言，其直觉是“一次解释，多次引用”：

• 在适用的作用域内，将重复的规则只陈述一次。
• 将重复的动作序列提炼为共享流程。
• 仅将差异保留为显式异常。

为何技能臃肿会变成正确性问题

论文认为，通用的提示词压缩在这里不是合适的工具，因为技能并非一段扁平的文本。它是一种结构化产物：定义其适用时机的名称和描述、控制执行的工作流，以及约束有效性的工具与输出契约。罕见的异常即使没有采样任务触发它们，也可能始终是必不可少的，因此只保护测试集所覆盖内容的压缩器可能会在不知不觉中破坏技能。

显而易见的替代方案都有实际成本。通用提示词压缩将技能视为扁平的文本，因此无法尊重那些承重的部分。评估引导的压缩可以测试这些行为是否得以存续，但它引入了 rollout、成本，以及对压缩时所用评估集的依赖。SkillZip 的设计目标就是让这种测试变得不再必要。

这一点很重要，因为每次使用技能时都要付出成本。当智能体将其技能文本注入上下文时，每一个冗余的分支、示例和警告都会在技能活跃的每一轮中随之一同进入上下文。压缩后的技能运行成本更低，而每条规则只陈述一次的技能维护成本也更低。

SkillZip 的形式化表述如何运作

该方法将这一直觉形式化为一个类型化的最小描述长度目标，作用于技能契约和残差之上。一个硬性覆盖约束绑定每一个提取出的触发器、工作流边、工具需求、义务和输出字段，这正是阻止压缩悄悄丢弃结构性必要内容的关键。该形式化表述提供了简单的共享阈值，通过构造保留了独特的罕见规则，并支持高效的局部更新。

SkillZip 有两种运行模式。一次性模式执行一次结构化的提取调用，随后进行确定性优化。持续性的 Zip-on-Write 模式整合每一个自进化补丁，无需重放任务或重新解析完整历史。对于持续进化技能的智能体而言，第二种模式才是关键：压缩会追踪学习过程，而不是在每次发生变化时强制进行完整的重新压缩。

SkillZip 在技能层研究中的定位

臃肿问题并非这篇论文独有。一篇相关的论文 SkillCoach 于 2026 年 7 月发布在 arXiv 上，将技能仓库描述为 LLM 智能体的可复用操作层，它编码了标准操作流程（SOP）、领域规则、工具工作流、脚本和验证例程，并警告说，现实仓库中重叠的技能会使可靠的技能使用变得困难。SkillZip 从存储端作用于同一层，通过缩小技能来让重叠引发问题的空间变得更小。

摘要中未经证实的内容

摘要没有提供的是数据。它报告了“全面的实验评估”，并声称在压缩性能、泛化能力和成本开销方面具有优越性，但摘要本身并未出现任何量化结果。实验很可能证实这些说法；就目前而言，这些说法仅出自论文本身。

支持这一方法的理由很明确。无需 rollout 成本、不依赖评估集的压缩，对任何运行自进化智能体的团队都很有吸引力。两种运行模式赋予了它实用的形态：一次性模式适合从零开始，Zip-on-Write 模式适合技能不断变化的系统。悬而未决的问题是，这种结构性纪律能否在杂乱的真实世界仓库中站得住脚, , 在这些仓库中，共享流程与真正异常之间的界限很少是清晰的。这正是论文自身实验所要回答的问题。