SkillZip: Evaluation-Free Skill Compression for Self-Evolving Agents by Discovering Reusable Structure
SkillZip：基于可重用结构发现的评估无关技能压缩
🧭 Agent 技能压缩 · 评估无关结构化精益 ★ 深度解读
Alibaba Group · Zhejiang University · Duke University
用“一次性解释，多处引用”原则，在不依赖下游评估的条件下压缩自进化Agent的冗余技能文本。
📌 工作参考价值（4 点）
- 长期维护的Agent系统可直接套用：将Agent技能视为类型化合约（接口、工作流、工具协议、规则、输出模式），通过共享规则、上提公共规则、工作流复用和异常编码实现文本压缩，减少每次调用的上下文token成本。
- 避免评估集过拟合的压缩范式：SkillZip 完全不依赖任务实例、奖励或验证器，仅从技能自身结构提取合约并强制覆盖所有要求，可杜绝因评估集偏差导致的技能退化，适合需要频繁更新的推荐/搜索Agent。
- 增量压缩模式适于在线进化系统：Zip-on-Write 在Agent每次自我进化时仅对比受影响局部，以ABSORB/REFINE/EXTEND/REFACTOR四类操作更新合约，零重放任务，可嵌入在线学习推荐Agent的实时优化流程。
- 最小描述长度( MDL )可直接指导提示精简：公式(4)定义的“最短忠实解释”目标，以及计算收益阈值（如规则提升、工作流复用）的显式条件，可迁移到对话策略、Query改写等复杂提示的自动去重与结构化重构中。