Problem

自我演化代理人在累積成功經驗與修正錯誤時，會產生大量冗餘的技能描述，如重複的操作序列、警語與規則。現有的提示詞壓縮技術難以處理具有複雜結構的技能指令，而基於評估的壓縮方法則面臨高昂的運算成本、依賴測試集，且可能在壓縮過程中遺失罕見但關鍵的例外規則。

Method

研究團隊開發了名為 SkillZip 的無需評估壓縮框架。該方法將技能壓縮轉化為帶型別的最小敘述長度（MDL）優化問題，透過「單次解釋，多次引用」的邏輯，將重複規則提取為共享程序，並僅保留差異部分作為顯式例外。SkillZip 提供單次結構化提取模式與持續性的「寫入即壓縮」（Zip-on-Write）模式，能直接整合自演化補丁而無需重新解析歷史資料。

Results

實驗結果顯示，SkillZip 在壓縮效能、泛化能力與計算開銷上均優於傳統方法。它能在保持硬性覆蓋約束的前提下，精確保留所有觸發條件、工作流邊緣與輸出欄位，且透過簡單的共享閾值即可實現高效的本地更新，顯著降低了代理人長期運行時的資源消耗。

Significance

這項研究為長效型 AI 系統的記憶管理提供了關鍵技術方案。SkillZip 克服了傳統壓縮方法依賴反覆測試與昂貴 Rollout 的缺點，確保代理人在自我進化過程中能維持低成本且易於維護的技能庫，對於開發可持續進化的自主智慧體具有重要價值。