LOOP SKILL ENGINE：以一次錄製與確定性回放改造週期性AI代理

要點總覽

利用大型語言模型驅動的代理人執行定期任務，常碰到隨機失敗與高額 token 成本。LOOP SKILL ENGINE 提出一次錄製、確定性回放的解法，藉此把首次的 LLM 推理轉成可重放的執行模板。

方法與機制

系統在代理首次完成任務時攔截並記錄完整工具呼叫軌跡，接著以貪婪長度下降的模板擷取演算法，產出參數化且無分支的 Loop Skill。這個執行計畫把時間依賴或結果依賴的變數抽出成模板參數。

效能與保障

所有後續執行都不再呼叫 LLM：引擎以實時值解析模板變數，並決定性地重放工具序列，從而消除輸出不確定性。論文提出兩項理論保證：回放的步驟序列在驗證後保持不變；對持久化設定的寫入透過可重入鎖與原子檔案替換序列化，避免競爭。

實驗結果與開源

在涵蓋數種週期間隔的基準測試上，作者報告成功率顯著提升且 token 消耗大幅下降，執行延遲也明顯縮短。該引擎已隨 buddyMe 開源框架一併釋出，便於在代理自動化工作流中採用。

延伸閱讀

• PCAS：以依賴圖與 Datalog 宣告式政策實現確定性授權編譯器
• DIBA：以行為位移揭露 RLVR 下的成員推斷風險
• LaTeXpOsEd：以 LaTeX 源檔、模式比對與大型語言模型評估預印本的資安風險

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。