SkillZip：面向可扩展智能体技能库的契约保持图压缩

大型语言模型（LLMs）日益充当智能体（agent），其程序性知识存储在可复用的技能包中，并在推理时加载。随着技能库不断增长，一个核心挑战是在有限的上下文预算下，暴露最小且充分的可执行上下文。现有系统难以在低于整个技能包的粒度上复用例程，在压缩过程中保留程序性契约，保持压缩例程的可执行性和可扩展性，并在技能演化时更新压缩库。这些挑战暴露了单元不匹配的问题：技能以包的形式检索，以文本形式压缩，并在检索后才转换为执行图，而可靠复用需要一个携带契约的程序性单元。我们提出SkillZip，一种执行感知的程序性抽象框架，在节级图上执行保留契约的压缩。SkillZip将重复出现的契约有效模式重写为可逆的移植宏，同时保留边界签名、依赖闭包、验证器可达性和源码级扩展。在推理时，它水合出紧凑且依赖闭合的上下文，并仅在需要时展开宏。ReZip进一步集成新技能，并利用执行证据修正有风险的宏。在技术和具身智能体基准上的综合实验表明，SkillZip始终优于最强基线，最高提升12.2个百分点，同时实现3.46倍压缩比，依赖保留率达99.2%，验证器可达率达98.7%。扩展分析进一步确认，在从200到10万技能的技能库中，检索性能稳健。