LOOP Skill Engine：一次錄製實現 99% 成功率與 99% 代幣減少

研究團隊發表 LOOP Skill Engine 系統，旨在解決部署 AI 代理執行重複性週期任務時面臨的關鍵矛盾：大型語言模型（LLMs）雖具備無與倫比的工具編排靈活性，但其固有的隨機性會導致不可預測的失敗，且重複調用會產生高昂的 Token 成本。該系統透過「一次性錄製、確定性重放」的範式，在週期性代理任務中實現了 99% 的成功率與 99% 的 Token 減少。

系統在首次運行時，代理會執行任務並進行完整的 LLM 推理，同時系統透明地攔截並記錄完整的工具調用軌跡。隨後，透過「貪婪長度遞減模板提取演算法」（greedy length-descending template extraction algorithm），將該記錄轉換為參數化、無分支的 Loop Skill，即一個確定性的執行計劃。此計劃捕捉任務的功能意圖，並將時間依賴變數與結果依賴變數參數化。

所有後續執行完全繞過 LLM，引擎僅針對即時值解析模板變數並確定性地重放工具序列。研究證明兩個定理：「重放確定性」（Replay Determinism）確保驗證過的 Loop Skill 步驟序列在所有未來執行中保持不變；「寫入安全性」（Write Safety）則透過可重入鎖（reentrant locks）與原子文件替換，將對持久化配置的並發訪問序列化。

在涵蓋 5 分鐘至 24 小時間隔的週期性代理任務基準測試中，Loop Skill Engine 將每月 Token 消耗量降低了 93.3% 至 99.98%，執行延遲縮短了 8.7 倍，並消除了輸出非確定性。系統採用多層退化策略，確保任務永不卡住。該引擎已作為 buddyMe 開源代理框架的一部分發布。