ארכיטקטורת SKILL.state מחליפה היסטוריית שיחה במצב ביצוע משתנה לסוכנים ארוכי-טווח

הבעיה: היסטוריה שגדלה בלי סוף

מודלי שפה גדולים (LLMs) שמתפקדים כסוכנים אוטונומיים נתקלים בבעיה מבנית כאשר המשימה נמשכת לאורך זמן: סביבות הרצה קיימות שומרות את כל התצפיות, הפעולות ועקבות החשיבה הביניים בהיסטוריית שיחה שממשיכה להתארך. הגישה של הוספה בלבד גורמת לשתי תקלות עיקריות: ההשהייה שמחמירה עם כל צעד, ו"הרעלת הקשר" שבה רעש מצטבר בהיסטוריה מסיט את המודל מהמסלול.

הפתרון: מצב ביצוע מפורש ומשתנה

החוקרים מציגים את SKILL.state, ארכיטקטורת ריצה שמחליפה את היסטוריית השיחה במצב ביצוע (execution state) מפורש, מובנה ומשתנה. בכל צעד ריצה המודל מקבל שלושה רכיבים בלבד: מפרט המיומנות (skill specification) הבלתי-משתנה, מצב הביצוע הנוכחי, והתצפית האחרונה. עקבות החשיבה הביניים נזרקות מיד לאחר שהן מייצרות עדכון מצב מאומת, כך שה-prompt לא גדל עם אורך המשימה.

תוצאות: פחות טוקנים, יותר דיוק

לפי הדיווח, הארכיטקטורה נבדקה על מגוון מערכי נתונים, מודלים וסביבות ריצה. התוצאות מראות שיפור בדיוק המשימה לצד הפחתה משמעותית בצריכת טוקנים מצטברת. הטענה המרכזית: מצב ביצוע מפורש הוא הפשטה יעילה ואגנוסטית לארכיטקטורה עבור מיומנויות סוכן ארוכות-אופק.

מגבלות והקשר: פרה-פרינט, לא עבר ביקורת עמיתים

המאמר מופיע ב-arXiv כפרה-פרינט, כלומר לא עבר תהליך שיפוט עמיתים רשמי. הקוד והדמואים זמינים, מה שמאפשר שחזור עצמאי, אך המדדים מגיעים מהכותבים עצמם ללא אימות חיצוני. בנוסף, ההשוואה נעשתה מול גישה של הוספה בלבד בסיסית; לא ברור כיצד SKILL.state עומדת מול טכניקות ניהול הקשר מתקדמות יותר כגון סיכום היררכי או שליפת זיכרון סלקטיבית.