立即就绪：LOOP技能引擎通过一次性记录和确定性回放实现99%成功率并削减99%代币用量

arXiv cs.AI 论文
loop-skill-engine deterministic-replay token-reduction tool-orchestration ai-agents one-shot-recording open-source

摘要

LOOP技能引擎通过记录单次LLM驱动的执行，并通过参数化无分支技能进行确定性回放，实现了周期性AI代理任务99%的成功率和99%的代币削减，消除了随机性失效和高昂成本。

arXiv:2605.14237v1 公告类型：新 摘要：将AI代理部署于重复性周期性任务时暴露出一个关键矛盾：大语言模型（LLMs）在工具编排方面提供了无与伦比的灵活性，但其固有的随机性导致不可预测的失败，且重复调用会产生高昂的代币成本。我们提出LOOP SKILL ENGINE，该系统通过一次性记录、确定性回放的范式，为周期性代理任务实现了99%的成功率和99%的代币削减的综合效果。在首次运行时，代理以完整的LLM推理执行任务，同时系统透明地拦截并记录完整的工具调用轨迹。然后，一种贪婪的长度降序模板提取算法将该记录转换为参数化、无分支的Loop Skill——一种确定性执行计划，捕获任务的功能意图，同时将时间相关和结果相关的变量参数化。所有后续执行完全绕开LLM：引擎根据实时值解析模板变量，并确定性回放工具序列。我们证明了两个定理：(1) 回放确定性——经过验证的Loop Skill的执行步骤序列在所有未来执行中保持不变；(2) 写入安全——通过可重入锁和原子文件替换，对持久化配置的并发访问被序列化。在跨越5分钟到24小时间隔的周期性代理任务基准测试中，Loop Skill引擎将月度代币消耗减少了93.3%至99.98%，执行延迟降低了8.7倍，同时消除了输出非确定性。多层降级策略保证任务永不停滞。我们将该引擎作为buddyMe开源代理框架的一部分发布。
查看原文
查看缓存全文

缓存时间: 2026/05/15 06:22 

# 开箱即用：LOOP技能引擎通过一次性录制与确定性重放实现99%成功率并削减99%的Token用量

来源：https://arxiv.org/abs/2605.14237  
查看PDF（https://arxiv.org/pdf/2605.14237）

> **摘要：**  
> 将AI代理部署于周期性重复任务时，会暴露一个关键矛盾：大型语言模型（LLM）在工具编排方面具有无与伦比的灵活性，但其固有的随机性会导致不可预测的失败，且反复调用会产生高昂的Token成本。我们提出LOOP技能引擎，通过一次性录制、确定性重放的范式，将周期性代理任务的综合成功率提升至99%，同时减少99%的Token用量。在首次运行时，代理利用完整的LLM推理执行任务，而系统则透明地拦截并记录完整的工具调用轨迹。随后，一种贪婪的降序模板提取算法将此录制结果转换为参数化的、无分支的Loop技能——这是一个确定性的执行计划，它捕获任务的功能意图，同时将依赖于时间和结果变化的变量参数化。所有后续执行完全绕过LLM：引擎将模板变量与实时数值解析，并确定性重放工具序列。我们证明两个定理：(1) 重放确定性——已验证的Loop技能的步骤序列在全部未来执行中保持不变；(2) 写入安全性——通过可重入锁和原子文件替换将对持久配置的并发访问串行化。在涵盖从5分钟到24小时间隔的周期性代理任务基准测试中，Loop技能引擎将月Token消耗降低93.3%–99.98%，执行延迟减少8.7倍，同时消除输出非确定性。多层降级策略确保任务永不停滞。我们将该引擎作为buddyMe开源代理框架的一部分发布。

## 提交历史

来自：Xiaohua Wang [查看电子邮件（https://arxiv.org/show-email/fe323865/2605.14237）]  
**[v1]** 2026年5月14日，星期四，01:05:35 UTC（329 KB）

相似文章

SkillOpt-Lite: 通过一行指令实现更好更快的智能体自我进化

Hugging Face Daily Papers

SkillOpt-Lite 提出了一种用于自主智能体技能优化的最小可行流水线，通过将所有组件视为可编辑代码并集成到生产编码智能体中，实现更好更快的自我进化。它通过零阶优化形式化技能优化，并在基准测试上优于先前方法。