标题SkillZip Pro: Execution-Aware Dynamic Compression of Progressively Loaded Skills for Self-Evolving Agents来源arXiv, 2608.30785v1️文章简介研究问题如何在不破坏渐进式加载结构和路由完整性的前提下有效压缩自进化智能体的多文件技能包以降低部署和运行成本主要贡献论文提出SkillZip Pro一种无需评估的跨文件动态压缩方法通过激活感知的冗余消除和严格的路由保护在保持任务质量的同时显著降低Token消耗。重点思路构建类型化资源图将技能包建模为包含根节点、引用、子技能和资产的有向图区分目录、激活、路径和部署四层成本提取类型化行为契约以指导压缩。激活感知跨文件压缩利用宿主环境契约删除冗余内容在激活范围内共享跨分支重复文本而非提升至根节点将长 guarded 分支转换为按需加载的条件胶囊避免增加常驻上下文。跨文件路由保护锁定路由指令和入口契约确保重写后所有必需文件和公共入口仍可达引入持久化重写磁盘和瞬态运行时视图两种生命周期适配不同更新频率和独立调用需求。持续压缩与审计支持增量更新模式仅重优化受补丁影响的闭包定期全局重组以控制漂移发布前执行独立的磁盘级审计验证图闭合性、契约覆盖率和接口完整性。分析总结全面降低成本且保真在生产级内容审核技能中SkillZip Pro减少了38%的部署Token和10.4%的端到端运行Token同时保持准确率不变相比之下无保护的激进压缩导致准确率大幅下降。维持路由与独立性实验显示该方法能100%保留路由 fidelity 和公共入口的独立可用性而仅压缩根节点或扁平化压缩的方法虽能减小体积但会破坏分支可达性或丢失关键指令。持续压缩高效可行在自进化场景中带定期重组的持续压缩模式仅需约三分之一的模型调用次数即可达到与全量重建相当的效果且随着技能库增长因重复内容累积压缩收益呈复合增长趋势。早期压缩优势明显由于自进化过程中超过55%的新增内容为重复文本尽早开启压缩能显著降低累积Token成本延迟压缩无法挽回已支付的上下文开销。个人观点论文突破了传统单文档提示词压缩的局限将压缩对象扩展为具有复杂依赖关系的资源图。其核心洞察是“执行感知”即压缩策略必须尊重智能体的渐进式加载机制通过精细化的作用域管理。