代理架構與評測
SKILL.state、エージェントの実行履歴を破棄し、構造化状態によって100ステップのタスクのtoken使用量を16分の1に削減
Googleとパデュー大学の研究者は、エージェントが各ステップで固定されたスキル、現在の状態、最新の観察結果だけを読み込み、状態更新の検証後に推論履歴を直ちに破棄する仕組みを開発した。100ステップの倉庫タスクでは、65,408 tokenで0.94の精度を達成したが、その効果は、将来必要となる情報を保持できるよう事前設計された状態構造に依存する。
SKILL.stateは、長時間稼働するエージェントを「増え続ける会話」から、従来型の状態機械に近いruntimeへと変えることを目指している。各ステップの入力には、不変のスキル仕様、構造化された現在の状態、最新の環境観察だけが含まれる。モデルが状態patchと次のactionを提案すると、決定論的runtimeがまずschemaに従ってpatchを検証し、成功した場合にのみcommitする。それ以前の自然言語による推論とtool履歴は直ちに破棄される。形式エラーが発生するとrollbackとretryが実行されるため、モデルが永続状態を直接破壊することはできない。
Gemini-3-Flashを使用した合成倉庫タスクでは、SKILL.stateを10ステップから200ステップへ拡張しても、平均prompt長は約1,736～1,905 tokenに維持された。100ステップのテストでは0.94の精度を達成し、累計使用量は65,408 tokenだった。一方、履歴を保持するLangGraph型baselineは精度0.91、使用量1,062,387 tokenで、16.2倍の差が生じた。200ステップでも前者は0.94を維持し、使用量は約12万2,000 tokenだったのに対し、要約memory baselineは0.84まで低下し、約618万tokenを消費した。研究者は、ほぼ同等の1,800-token予算によるcontrol experimentも実施した。sliding window、上限付き要約、LLMLinguaのスコアはそれぞれ0.18、0.52、0.22にとどまった。この結果は、利点が単なるpromptの切り詰めではなく、物品の位置や依存関係などの操作状態を明示的に保存することから生じていることを示している。
公開interactive benchmarkでも同様の傾向が確認された。InterCode CTFのpass@1は54.2%で、最良baselineの46.4%を上回った。τ-Benchでは、小売タスクが58.3%、航空タスクが32.4%だった。ただし、状態schemaは人間が事前に定義する。後で必要になる情報をモデルが予見できなかった場合、履歴の削除後には復元できない可能性がある。また、外部世界で、観察イベントに記述されていない変化が発生した場合は、どの手法も同様に失敗する可能性がある。論文ではpromptが公開されているものの、独立して保守される完全なライブラリは提供されていない。次の段階では、よりオープンなソフトウェアエンジニアリングおよびブラウザ操作タスク、状態遷移の意味的検証、schema設計とretryによって増加するレイテンシを評価する必要がある。