SkillEffect：为智能体工具引入带内存检查的降级执行框架

当大模型智能体（Agent）把自然语言描述的"技能"翻译成调用既有工具的程序时，即使语义正确，也可能在一次工具调用内把整个输入加载进内存，从而超出运行时可用的内存上限。arXiv 新论文《SkillEffect: Checked Lowering for Memory-Bounded Agent Tools》针对这一痛点，提出了一种带检查的降级执行（checked-lowering）架构。

核心思路：把内存边界纳入工具分派环节

SkillEffect 的关键设计，是把"内存关系"变成工具调度时的一等公民。每一种被支持的计算都需要声明三个要素：

• 可恢复的源关系（recoverable source relation）：描述输入数据的结构与来源；
• 经过审计的有界实现（audited bounded implementation）：保证执行过程不会越过设定的内存上限；
• 已注册的后置条件（registered output postcondition）：约束输出的形式与语义。

在真正授予执行权限之前，系统会由一个独立检查器（independent checker），根据模型提交的"程序"和不可变输入，重新构建一次完整的降级路径（lowering），相当于做一次形式化的"复算"，确保声明与实现一致。

插件结构与共享运行时

SkillEffect 的通用性来自架构而非自动化：每接入一种新的计算，都需要编写一个"关系插件"，而调度、资源控制、执行、发布等机制则在所有插件间共享。一个完整的插件包含：

• 源识别器（source recognizer）；
• 输入事实抽取器（input-fact extractor）；
• 有界中间表示构造器（bounded-IR constructor）；
• 受 arena 约束的函数（arena-bound function）；
• 输出后置条件（postcondition）。

共享的公共运行时则负责带检查的选择（checked selection）、有界虚拟机执行（bounded-VM execution）、原子化的容量租借（atomic capacity leasing）以及分阶段的结果发布（staged publication）。这种"插件 + 共享运行时"的拆分，使得新关系与新保留状态模式可以复用同一道信任边界。

实验覆盖与验证结果

论文在六个运算符族（operator families）上评估了有界访问的效果，覆盖五种执行模式，从流式归约（streaming reduction）到有界堆的 Top-k。在外部固定的内存上限下，有界访问显著降低了峰值内存，并在容量约束下提高了任务完成率。

额外的两个案例进一步验证了架构的可扩展性：

• XLSX 接入研究：新增一种数据关系，验证无需改动信任边界即可扩展；
• Top-k 扩展：演示一种新的保留状态模式同样落在同一审计框架内。

安全性方面，检查器在所有被评估的合法配置上都予以通过，在所有对抗性提案上都予以拒绝，验证了所提出信任边界的有效性。整体结果表明，同一套 checked-lowering 架构可以在 Agent 工具分派时，统一强制多种异构的、已注册的内存关系。