1
0今天的这篇的主题是： SKILL.state: Scalable Long-Horizon Agent Skills
Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。
如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。
联系小助手微信：eccstartup（加群/投稿论文）
Summary
大语言模型（LLMs）正越来越多地作为自主智能体执行复杂、长时间运行的程序性技能。现有的智能体运行时系统通常通过不断向持续增长的对话历史中追加观察结果、动作和中间推理轨迹来维持执行过程，导致长时程任务中的延迟增加和上下文污染（Context Poisoning）问题。
我们提出了 SKILL.state，一种使用显式、可变的执行状态（Execution State）取代仅追加式对话历史的运行时架构。
在每个执行步骤中，模型仅接收不可变的技能规范（Skill Specification）、当前的结构化执行状态以及最新的观察结果。中间推理内容在生成经过验证的状态更新后会被立即丢弃，从而避免提示词随着执行历史的累积而不断增长。
在多种数据集、模型和执行环境上的实验表明，SKILL.state 在显著降低累计 Token 消耗的同时，提高了任务准确率。
我们的研究结果表明，显式执行状态是一种有效且不依赖于特定架构的抽象机制，能够支持长时程智能体技能的规模化执行。
原文链接：arxiv.org
