개요
Self-evolving agent는 경험을 재사용 가능한 스킬로 축적하면서 성능을 개선한다. 그러나 스킬이 append-only 방식으로 관리되면, 동일한 제약이 여러 브랜치에 반복되고 유사한 워크플로우가 복사되는 문제가 발생한다. Alibaba·절강대학·Duke 대학 공동 연구진이 2026년 8월에 발표한 SkillZip은 이러한 구조적 중복을 평가 롤아웃 없이 제거하는 방법을 제안한다.
문제: 스킬 길이는 자라는데 새 절차는 없다
Figure 1은 CodeX Agent 기반 self-evolving 과정에서 스킬 길이가 단조 증가하는 현상을 보여준다. 반면 실제 새로운 절차적 내용은 일찍 포화에 도달한다. 스킬은 매 호출 시 컨텍스트에 로드되므로, 텍스트 길이 증가는 곧 prefill 비용 증가로 이어진다.
기존 접근의 한계:
| 방법 | 한계 |
|---|---|
| 프롬프트 압축 (LLMLingua 등) | query-dependent 중요도 기반이라 미래 작업을 알 수 없는 스킬 압축에 부적합 |
| SkillReducer | 검증을 위해 40–80회 롤아웃 필요, evaluation set 의존적 |
SkillZip의 구조적 접근
SkillZip은 스킬을 6개 타입의 계약(contract)으로 분해한다:
| 타입 | 구성 요소 |
|---|---|
| Interface (I) | 이름, 목적, 트리거, 제외 조건 |
| Workflow (G) | 액션 순서, 결정점, 루프, 폴백, 중지 조건 |
| Tool protocol (T) | 도구 이름, 필수 인자, 전제조건, 예상 관측 |
| Scoped rules (C) | 의무/금지/권장 규칙 + 적용 범위 및 가드 |
| Output contract (O) | 응답 타입, 필수 필드, 순서, 검증, 완료 조건 |
| Evidence (E) | 예시, 템플릿, 근거 |
압축의 안전 기준은 토큰 중요도가 아닌 타입별 커버리지이다. 두 문장이 동일한 도구를 다루더라도 인자가 다르면 병합할 수 없고, 모든 브랜치에 반복되는 규칙은 상위 스코프로 이동할 수 있다.
방법론
목표 함수
SkillZip은 최단 충실 설명(shortest faithful explanation) 목표를 최소화한다:
- 공유 라이브러리 K와 잔차 R에 대해 L(K) + L(R|K)를 최소화
- 모든 필수 계약 유닛에 대한 hard coverage constraint
이 목표에서 4가지 구조적 결정이 도출된다:
- 동등 요건 통합: 중복 규칙을 한 번만 서술하고 참조
- 스코프 상향: 모든 경로에 적용되는 규칙을 공통 상위로 이동
- 워크플로우 재사용: 반복 액션 시퀀스를 공유 프로시저로 추출
- 가드 예외 분해: 공통 규칙 + 가드 차분으로 표현
두 가지 모드
- 원샷 SkillZip: 기존 스킬 체크포인트를 1회 구조화 추출 + deterministic optimization으로 압축. 태스크 롤아웃 불필요.
- Zip-on-Write: self-evolution 루프 내에서 동작. 패치 도착 시 컨트랙트와 비교하여 흡수/정제/추가/리팩토링 수행. 주기적 repack으로 누적 패턴 처리.
실험 결과
3개 벤치마크(LiveMath, Spreadsheet, BFCL-V4), 3개 모델(Qwen3.6-Plus, Kimi K2.6, Qwen3.7-Max)에서 평가했다.
압축 성능 및 태스크 유지
| 지표 | SkillZip | SkillReducer |
|---|---|---|
| 평균 압축률 | 31.2% | 9.2% |
| 태스크 성능 | 0.577 | 0.544 |
압축 비용
| 지표 | SkillZip | SkillReducer |
|---|---|---|
| 평균 시간 | 286초 | 1006초 |
| 롤아웃 | 0회 | 40–80회 |
크로스 모델 일반화
한 모델에서 압축한 스킬을 다른 모델에서 실행했을 때 retention: SkillZip 0.97, SkillReducer 0.91.
Zip-on-Write 지속 압축
16라운드 self-evolution에서 무압축 시 스킬이 2.5–3.7배 증가한 반면, round 1부터 Zip-on-Write 적용 시 1.6–1.9배로 억제되었다. round 8부터 적용하면 부분 회복되나 round 1 트랙에는 미치지 못한다. 압축 적용 시 정확도 저하 없음.
실무 적용 가이드
- self-evolution 루프 초기(round 1)부터 Zip-on-Write를 통합하면 중복 누적을 예방할 수 있다
- hard coverage constraint로 인해 드문 규칙이 삭제되지 않는다
- 평가 셋이나 롤아웃 환경 없이도 압축이 가능하다
- 압축된 스킬은 다른 모델에서도 사용 가능하다
더 실습해보고 싶은 분들께
에이전트 스킬 진화와 하네스 최적화에 관심 있다면: