标题SkillZip: Evaluation-Free Skill Compression for Self-Evolving Agents by Discovering Reusable Structure来源arXiv, 2608.11079v1️文章简介研究问题如何在不依赖下游任务评估的情况下有效压缩自进化智能体中因冗余积累而膨胀的技能文本主要贡献论文提出SkillZip一种基于最小描述长度原理的无评估技能压缩方法通过发现可重用结构实现高效压缩。重点思路将技能解析为类型化契约包含接口、工作流、工具协议、作用域规则、输出契约及支持证据以此揭示文本背后的结构化冗余。形式化为最短忠实解释目标即在满足硬覆盖约束保留所有提取的需求的前提下最小化共享库与残差的总描述长度实现“一次解释多次引用”。设计两种模式一次性压缩通过结构化提取和确定性优化生成紧凑技能持续压缩Zip-on-Write在自进化过程中局部吸收新补丁并定期重打包避免重放历史。采用保守策略处理不确定性将无法明确解析的内容保留为锁定残差确保罕见但关键的规则不因低频出现而被错误删除。分析总结自进化导致技能文本显著膨胀平均增长超过5倍但新增的程序性知识趋于饱和主要冗余来自重复的规则陈述和工作流复制。SkillZip在多个基准测试中平均压缩率达31.2%且任务性能持平或略优于未压缩的进化技能证明结构整合能有效去冗而不损效能。相比需要任务滚动的基线SkillReducerSkillZip无需执行环境交互压缩速度提升3.5倍彻底消除了对评估集和验证器的依赖。压缩后的技能在不同模型骨干间具有良好的泛化性且在持续进化场景中从首轮启用压缩可将技能长度控制在种子长度的1.6-1.9倍以内。个人观点论文关注技能作为“程序契约”的结构特性通过引入最小描述长度原则和硬覆盖约束解决了自进化技能中“知识密度高但表达冗余”的特有难题。