SkillZip: 계약 준수를 보장하는 그래프 압축을 통한 확장 가능한 에이전트 스킬 라이브러리

SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries

대규모 언어 모델(LLM)은 점점 더 많은 경우, 재사용 가능한 스킬 패키지로 저장된 절차적 지식을 활용하여 작동하는 에이전트 역할을 수행하며, 추론 시에 이러한 패키지를 불러옵니다. 스킬 라이브러리가 커짐에 따라, 제한된 컨텍스트 예산 내에서 실행 가능한 최소한의 충분한 컨텍스트를 제공하는 것이 중요한 과제입니다. 기존 시스템은 전체 스킬 수준 이하의 루틴 재사용이 어렵고, 압축 과정에서 절차적 계약을 유지하지 못하며, 압축된 루틴의 실행 가능성과 확장성을 보장하지 못하고, 스킬이 발전함에 따라 압축된 라이브러리를 업데이트하는 데 어려움을 겪습니다. 이러한 문제는 단위 불일치에서 비롯됩니다. 스킬은 패키지로 검색되고, 텍스트로 압축되며, 검색 후에야 실행 그래프로 변환되지만, 신뢰할 수 있는 재사용을 위해서는 계약 정보를 포함하는 절차적 단위가 필요합니다. 본 논문에서는 SkillZip이라는 실행 환경을 고려한 절차적 추상화 프레임워크를 제안합니다. SkillZip은 섹션 수준의 그래프에 대해 계약 준수를 보장하는 압축을 수행합니다. SkillZip은 반복되는, 계약적으로 유효한 패턴을 되돌릴 수 있는 포팅된 매크로로 재작성하면서 경계 시그니처, 의존성 폐쇄, 검증 가능 범위 및 소스 레벨 확장을 유지합니다. 추론 시에는 작고 의존성이 완결된 컨텍스트를 활성화하고 필요한 경우에만 매크로를 확장합니다. ReZip은 새로운 스킬을 통합하고 실행 증거를 사용하여 위험한 매크로를 수정합니다. 기술적 및 임베디드 에이전트 벤치마크에서 수행한 종합적인 실험 결과, SkillZip은 가장 강력한 기준 모델보다 최대 12.2%의 성능 향상을 보였으며, 99.2%의 의존성 유지율과 98.7%의 검증 가능 범위 달성을 통해 3.46배의 압축률을 달성했습니다. 추가적인 확장성 분석 결과는 200개에서 10만 개까지 다양한 크기의 스킬 라이브러리에 대해 안정적인 검색 성능을 확인했습니다.

Large Language Models (LLMs) increasingly act as agents whose procedural knowledge is stored in reusable skill packages and loaded at inference time. As skill libraries grow, a central challenge is to expose the smallest sufficient executable context under a limited context budget. Existing systems struggle to reuse routines below the whole-skill level, preserve procedural contracts during compression, keep compressed routines executable and expandable, and update the compressed library as skills evolve. These challenges reveal a unit mismatch: skills are retrieved as packages, compressed as text, and converted into execution graphs only after retrieval, whereas reliable reuse requires a contract-bearing procedural unit. We propose SkillZip, an execution-aware procedural abstraction framework that performs contract-preserving compression over section-level graphs. SkillZip rewrites recurring contract-valid motifs into reversible ported macros while preserving boundary signatures, dependency closure, verifier reachability, and source-level expansion. At inference time, it hydrates a compact, dependency-closed context and expands macros only when required. ReZip further integrates new skills and revises risky macros using execution evidence. Comprehensive experiments1 on technical and embodied agent benchmarks show SkillZip consistently outperforms the strongest baseline by up to 12.2 points, while achieving a 3.46x compression ratio with 99.2% dependency preservation and 98.7% verifier reachability. Scaling analyses further confirm robust retrieval across skill libraries ranging from 200 to 100K skills.