AI-agenter bliver i stigende grad sat til at bruge eksterne værktøjer, men når de oversætter instruktioner til konkrete programmer, kan de uforvarende loade hele inputfiler og overskride hukommelsesgrænsen for et enkelt kald. Det problem adresserer en ny arkitektur kaldet SkillEffect, som er beskrevet i et paper på arXiv.
SkillEffect fungerer som et kontrol-lag, der uafhængigt verificerer hver handling, før en agent får udførelsesadgang. Systemet kræver, at hver beregning har en såkaldt relation-plugin, som leverer genkendelse af input, opbygning af en afgrænset repræsentation og en postcondition. Fælles runtime-mekanismer håndterer derefter ressourcekontrol, eksekvering og publicering.
Ifølge papiret reducerer den afgrænsede adgang markant spidsbelastningen af hukommelse og forbedrer fuldførelsesraten under faste caps. Seks plugins implementerer samme kontrakt på tværs af fem eksekveringsmønstre, fra streaming-reduktion til begrænset heap Top-k. En undersøgelse med XLSX-onboarding og en Top-k-udvidelse viser, at nye relationer og mønstre kan genbruge samme tillidsgrænse, mens checkeren accepterer alle evaluerede lovlige konfigurationer og afviser alle modstridende forslag.
For beslutningstagere betyder det, at man kan stole på, at agenter ikke længere eksploderer i hukommelsesforbrug, når de håndterer store data. Det gør det mere sikkert at implementere agenter i produktionsmiljøer, hvor ressourcebegrænsninger er kritiske.
