Исследователи из Google разработали «навык», который позволяет ИИ-агентам тратить в 50 раз меньше токенов
При сохранении качества, заявляют инженеры.
Сравнение обычной архитектуры ИИ-агента и SKILL.state. Источник: Google
- Исследователи из Google совместно с Университетом Пердью в США создали архитектуру SKILL.state для экономии расходуемых токенов Claude Code, Codex и других агентов.
- Обычно ИИ-агент хранит весь контекст и каждый раз заново обращается к длинной истории действий в терминале, диалогов и своих «промежуточных рассуждений». SKILL.state заменяет полную историю на структурированные сводки с инструкциями, текущим состоянием задачи и последними обновлениями.
- Исследователи проверили подход на задаче из 200 шагов. Агент на базе Gemini 3.0 Flash в обычном режиме потратил 6,17 млн токенов, а со SKILL.state — 122 тысячи токенов (примерно в 50 раз меньше).
- Точность выполнения при этом увеличилась с 84% до 94%, потому что модель перестала учитывать устаревшие и лишние данные.
- В другой задаче со 100 этапами ИИ-агент без SKILL.state использовал около 1,85 млн токенов, а с ним — 90 тысяч токенов (примерно в 20 раз меньше).
- В работе исследователи поделились шаблоном для программы, которая управляет ИИ-агентом (Runtime). Репозиторий с «навыком» на GitHub пока не выложили.
Instructions:
{skill.instructions}
Skill Execution State:
‘‘‘json
{json.dumps(state, separators=(’,’, ’:’))}
Latest Observation: {observation}
Provide your response with:
1. Step-by-step reasoning (will be discarded after execution)
2. A JSON block fenced with json ... containing both your State Patch and your Action. The JSON block MUST have exactly these two keys: { "state_patch": { <dict: your state updates, set keys to null to delete> }, "action": "<string: the exact command you want to execute>" }