「SkillZip」とは何か──10万件のスキルライブラリでも壊れない、エージェント向け「圧縮」の作法

LLMをエージェントとして使う場面が増えるほど、その手続き的な知識を「再利用可能なスキルパッケージ」として保存し、推論時に読み込ませるという設計が一般的になっている。だがスキルライブラリが大きくなるほど、限られたコンテキスト予算の中で「必要十分な最小限の実行可能コンテキスト」だけを取り出す、という課題が中心的になってくる。2026年8月6日にarXivで公開された論文「SkillZip: Contract-Preserving Graph Compression for Scalable Agent Skill Libraries」は、この課題に取り組んでいる。著者はUNSW（ニューサウスウェールズ大学）とCSIROの共同チーム7名（オーストラリア・シドニー/ホバート）。

3行まとめ

1. SkillZipは、AIエージェントのスキルライブラリを「セクション単位のグラフ」として扱い、契約（依存関係・検証条件）を保ったまま圧縮する手法で、UNSW・CSIROの7名がarXiv:2608.05604として2026年8月6日に公開した。
2. 技術系ベンチマークSkillsBenchと身体性エージェントベンチマークALFWorldで、最強のベースラインSkillDAGに対しMiniMax-M2.7バックボーンで最大12.2ポイント(ALFWorldの成功率)、gpt-5.2-codexバックボーンでも改善を確認、圧縮率3.46倍・依存関係保存率(DPR)99.2%・検証到達率(VR)98.7%を両立させたと報告している。
3. スキルライブラリの規模を200件から10万件まで拡張したスケーリング分析では、SkillDAGに対するRet@1(検索精度)の優位が200件時点の6.2ポイントから10万件時点で23.3ポイントまで広がり、10万件規模でもRet@1 65.1・オンライン検索とハイドレーションの遅延248.3ミリ秒を維持したという。

「スキル丸ごと」より細かい単位で再利用できない、という問題

論文はまず既存システムの限界を4点に整理している。スキル全体より細かい単位でのルーチン再利用が難しいこと、圧縮の過程で手続き的な契約（procedural contract、そのスキルが満たすべき前提・保証）を保てないこと、圧縮したルーチンを実行可能かつ拡張可能なまま保てないこと、そしてスキルが進化するたびに圧縮済みライブラリを更新するのが難しいこと、の4つだ。これらの根っこには「単位のミスマッチ」があると論文は指摘する。スキルはパッケージとして検索され、テキストとして圧縮され、検索された後になって初めて実行グラフに変換される。しかし信頼できる再利用のためには、契約（保証事項）を保持したまま扱える手続き的な単位が必要だ、という主張だ。

セクション単位のグラフで、契約を保ったまま圧縮する

SkillZipは、実行を意識した手続き的抽象化のフレームワークで、セクション単位のグラフに対して「契約を保存する圧縮」を行う。繰り返し現れる契約的に妥当なモチーフ（パターン）を、可逆的な「移植マクロ（ported macro）」に書き換えつつ、境界のシグネチャ・依存関係の閉包・検証器の到達可能性・ソースレベルでの展開可能性を保つ。推論時には、コンパクトで依存関係の閉じたコンテキストを再構成（hydrate）し、必要になったときだけマクロを展開する。「ReZip」という仕組みは、実行時の証拠をもとに新しいスキルを取り込み、リスクの高いマクロを改訂する役割を担う。

圧縮率と精度で見る効果

評価に使われたのは、技術系のSkillsBench（Li et al., 2026b）と、身体性（embodied）エージェント向けのALFWorld（Shridhar et al., 2021、家庭内タスクをテキストで扱う定番ベンチマーク）の2つ。比較対象は、スキル全体をそのまま読み込む「Vanilla Skills」、埋め込みベースで検索する「Vector Skills」、グラフベース検索の「GoS」「SkillDAG」の4手法で、バックボーンにはMiniMax-M2.7とgpt-5.2-codexの2種類を使っている。

論文のTable 1によれば、MiniMax-M2.7バックボーンでSkillZipはSkillsBenchでタスク報酬33.3、ALFWorldでエピソード成功率79.3を記録し、最強ベースランのSkillDAG（27.3／67.1）をそれぞれ6.0ポイント・12.2ポイント上回った。gpt-5.2-codexバックボーンでもSkillsBench 43.0・ALFWorld 96.4で、SkillDAGをそれぞれ6.2ポイント・2.8ポイント上回っている。ALFWorldでは、GoS・SkillDAGの時点ですでに93.6%という高い成功率に達していたが、SkillZipはそこからさらに96.4%まで押し上げた。検索精度についても、MiniMax-M2.7・SkillsBenchでRet@1が66.7→73.6、Ret@5が78.2→92.0に上昇したと報告されている。同じ条件で、SkillZipは累積プロンプト処理量を47.0%、平均ツール呼び出し回数を21.7%、キャッシュされていないプロンプト入力を18.7%、エンドツーエンドのタスク時間を21.1%、それぞれSkillDAG比で削減したという。

圧縮そのものの品質を比較したTable 2（SkillsBench）は、6種類の表現方法を並べている。

同じ3.46倍という圧縮率でも、既存の「テキスト圧縮」はDPR 65.0・VR 60.0まで落ち込み、45.0%のクエリで元のセクションへの復元が必要になった一方、SkillZipはDPR 99.2・VR 98.7を維持しながら同じ圧縮率を達成している。論文はこれを「短いコンテキストにするだけでは、実行可能なコンテキストにはならないことを示す結果」とまとめている。

コンポーネント別のアブレーション（Table 3）では、セクション単位のノードをスキル単位のノードに置き換えると、タスク報酬が33.3→27.9（-5.4ポイント）、Ret@1が73.6→66.7（-6.9ポイント）まで落ち込み、これが最も影響の大きい変更だったと報告されている。「依存関係の閉包（dependency closure）」を外すとDPRが99.2→82.3に、「検証器の制約」を外すとVRが98.7→76.4に、それぞれ大きく低下する。

スケーリング分析（Appendix B.2）では、SkillDAGに対するRet@1の優位が、スキル200件時点の6.2ポイントから、10万件時点では23.3ポイントまで拡大したと報告されている。10万件規模のライブラリ（セクションノード477万個）でも、SkillZipはRet@1 65.1・オンライン検索とハイドレーションの遅延248.3ミリ秒を維持し、対応するローカルグラフ構築とMotifZip(圧縮アルゴリズム)の処理は178秒で完了したという。

最強ベースライン「SkillDAG」・評価環境「ALFWorld」は何者か

SkillZipが最も強いベースラインとして比較しているSkillDAGは、それ自体が独立した論文（arXiv:2606.03056、Bai・Wan・Zhou・Yu・You・Tsangの6名）で、公式のarXiv要旨をcurlで直接確認した。要旨によれば、SkillDAGはスキル同士の関係（依存・競合・特化・重複）を型付き有向グラフとしてモデル化し、それを固定の検索パイプラインに焼き込むのではなく、LLMエージェントが実行時に呼び出せる構造的検索インターフェースとして公開する手法だという。各検索がベクトル一致・型付きエッジの近傍・競合シグナルを返し、「提案してからコミットする（propose-then-commit）」というプロトコルでエージェント自身が実行に裏付けられたエッジをグラフに登録していくため、エピソードを重ねるほどグラフの構造が蓄積されていく設計だと説明されている。SkillDAG自身がALFWorld・SkillsBench・MiniMax-M2.7で報告している数字は「成功率67.1%・報酬27.3%」で、これはSkillZip論文のTable 1に載っているSkillDAGの数字（67.1／27.3）と一致しており、SkillZip側の引用が正確であることをこの記事の範囲で確認できた。またSkillDAGの要旨は、自身が「最強のGraph-of-Skillsベースライン」を成功率+12.8ポイント・報酬+8.6ポイント上回ると述べており、SkillZip論文で言及される「GoS」ベースラインがこの文脈のものであることも読み取れる。

評価環境の1つであるALFWorldについては、GitHub公式リポジトリのREADMEをcurlで直接確認した。ALFWorldはICLR 2021で発表された論文（Shridhar・Yuan・Côté・Bisk・Trischler・Hausknecht）で、Côté et al.によるTextWorldのテキストベース環境と、Shridhar et al.によるALFREDデータセットの身体性タスクを対応づけたものだと説明されている。エージェントはまずテキストという抽象空間で高レベルの方策を学習・推論し、その後に低レベルの動作制御を伴う身体性タスクを解く、という2段構えの設計になっている。SkillZip論文が「身体性エージェント向けベンチマーク」としてALFWorldを使っているのは、この「テキストで学んだ手続き的知識が、実際のタスク遂行に転移するか」を試す環境だからだと読める。

「圧縮」と「使い物になる」の両立が難しい理由

テキストを圧縮するだけなら、要約を作ったり、重要な部分だけ残したりすればよい。しかしエージェント向けの「スキル」は、単なる読み物ではなく、その通りに実行すれば動くコードやワークフローとしての性質を持つ。要約してしまうと、実行に必要な細かい前提条件（このツールを呼ぶ前に、あの変数がこの状態になっている必要がある、といった依存関係）が抜け落ち、圧縮した結果「読めるが使えない」ものになりがちだ。SkillZipが「契約を保存する圧縮」にこだわっているのは、この「動くこと」を圧縮の過程でも壊さないようにするためだと読める。ソフトウェア開発の世界でいう「関数の契約（事前条件・事後条件）」に近い考え方を、AIエージェントのスキルという新しい対象に適用した試みだと位置づけられる。

10万スキル規模のスケーリング主張は再現していない

この記事はarXivのHTML全文（Abstract・Method・Table 1〜3・スケーリング分析部分）と、ベースライン論文SkillDAG（arXiv:2606.03056）の要旨、ALFWorld公式GitHubのREADMEをcurlで取得して書いている。ただし12.2ポイント・3.46倍・99.2%・98.7%・248.3ミリ秒といった数字はすべて論文が自己報告した実験結果であり、この記事の執筆にあたって自分の手元で10万件規模のスキルライブラリを用意して再現実験を行ったわけではない。Appendix（A〜F、アルゴリズムの疑似コード・ケーススタディ・実験の詳細設定・プロンプト全文）は本文中で言及されている数値以上には読み込んでいない。SkillsBench（Li et al., 2026b、arXiv:2602.12670）というベンチマーク自体の中身、SkillDAG・GoSの実装コード自体（アルゴリズムの詳細な挙動）についても、要旨・本文からの言及以上には確認していない。エージェントのスキルライブラリという概念自体、実務でどの程度広く採用されているかについても、この記事の範囲では検証していない。

関連記事

• ハーネスエンジニアリングとは何か──「エージェント＝モデル＋ハーネス」という考え方
• コンテキストエンジニアリングとは──プロンプトエンジニアリングとの違いを整理する
• サブエージェントとは──分けると速くなる作業と、分けると壊れる作業