Naukowcy z arXiv zaprezentowali SkillEffect - nowy runtime, który rozwiązuje krytyczny problem w systemach agentów AI. Gdy modele językowe zamieniają procedury na konkretny kod dla narzędzi, nawet semantycznie poprawne programy mogą załadować całe dane wejściowe i przekroczyć dostępną pamięć dla jednego wywołania narzędzia. SkillEffect wprowadza mechanizm checked-lowering, który zapewnia, że każde wykonanie jest bezpieczne i przewidywalne.
System działa na zasadzie trzech głównych komponentów: relacji źródłowej z możliwością odzyskania, audytowanej implementacji z ograniczeniami, i zarejestrowanego warunku końcowego. Przed przyznaniem uprawnień do wykonania niezależny moduł sprawdzający odbudowuje każdą proponowaną kompilację z przesłanego programu i niezmiennych danych wejściowych. Każdy plugin relacji dostarcza rozpoznawacz źródła, ekstraktor faktów wejściowych, konstruktor bounded-IR, funkcję z ograniczoną pamięcią i warunki końcowe. Jedna wspólna runtime zapewnia sprawdzaną selekcję, wykonanie bounded-VM, atomowe dzierżawienie pojemności i etapową publikację wyników.
Rozdział pracy skupia się na sześciu rodzinach operatorów, gdzie dostęp z ograniczeniami znacząco zmniejsza szczytowe użycie pamięci i poprawia szybkość wykonania pod zewnętrznymi limitami. Sześć pluginów implementuje ten sam kontrakt na pięciu wzorcach wykonania - od redukacji streamingowej po boundowane Top-k na ograniczonym stosie. Podejście architektoniczne SkillEffect wymaga, aby każde wspierane obliczenie posiadało audytowany plugin relacji, ale mechanizmy dyspozycji, kontroli zasobów, wykonania i publikacji są wspólne dla wszystkich pluginów.