SkillSmith는 LLM 에이전트 시스템에서 스킬 패키지를 오프라인으로 컴파일해 세밀한 운영 경계 기반의 최소 실행 가능 인터페이스로 변환하는 컴파일러-런타임 프레임워크다. 기존 프레임워크의 무관한 컨텍스트 주입 및 반복적 스킬별 추론이라는 두 가지 주요 중복성 문제를 해결하며, 런타임 에이전트가 관련 컴포넌트에만 동적으로 접근해 실행한다. SkillsBench에서 솔브 단계 토큰 57.4%, 추론 반복 43%, 솔브 시간 50.6% 감소를 달성했다. 강력한 모델로 컴파일된 결과물을 더 작은 런타임 모델이 재사용해 원본 스킬 해석 실패 시 정확도를 개선한다.
- •스킬 패키지를 오프라인으로 컴파일해 세밀한 운영 경계를 추출하는 경계 우선 접근 방식을 제안한다.
- •런타임 에이전트가 관련 컴포넌트에만 동적으로 접근해 불필요한 컨텍스트 주입과 반복 추론을 최소화한다.
- •SkillsBench에서 토큰 57.4%, 추론 반복 43%, 소요 시간 50.6% 감소를 달성했다.
- •강력한 모델이 컴파일한 결과물을 작은 런타임 모델이 재사용해 스킬 해석 실패 시에도 성능을 보왕한다.
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
SkillSmith: Compiling Agent Skills into Boundary-Guided Runtime Interfaces
- 1.SkillSmith는 LLM 에이전트 스킬 패키지를 오프라인 컴파일해 최소 실행 인터페이스로 변환하는 프레임워크
- 2.스킬의 세밀한 운영 경계를 추출해 런타임에 관련 컴포넌트만 동적으로 접근·실행
- 3.SkillsBench에서 토큰 사용 57% 감소, 추론 반복 43% 감소, 처리 속도 2배 향상
- 4.강력한 모델로 컴파일한 아티팩트를 소형 모델에 재사용 가능해 비용 효율 극대화
왜 중요한가?
LLM 에이전트 스킬 실행의 비효율을 컴파일러 패러다임으로 해결해 토큰 비용과 처리 시간을 동시에 절반 이하로 줄이는 실용적이고 즉시 적용 가능한 기여다.
언급 프로젝트
본문 미리보기
arXiv:2605.15215v1 Announce Type: new Abstract: Recently, skills have been widely adopted in large language model (LLM)-based agent systems across various domains. In existing frameworks, skills are typically injected into the agent reasoning loop as contextual guidance once matched to a runtime task, enabling specialized task-solving capabilities. We find that this execution paradigm introduces two major sources of redundancy: irrelevant context injection and repeated skill-specific reasoning
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
이 글이 만들어진 과정
- 13:10AI 초안
