Исследователи Google разработали архитектуру SKILL.statei, которая заменяет накопление всей истории диалога агента на компактное структурированное «execution statei». Вместо ReAct-подхода, где промпт растёт линейно с числом шагов, а суммарный расход токенов — квадратично, модель на каждом шаге получает только инструкции навыка, текущее состояние и последнее наблюдение.

В тестах на синтетической задаче складского управления из 100 шагов экономия токенов достигла 93,8% (по данным Data Secrets) при сохранении и даже росте точности решения задач — важно, что подход применим к любой, в том числе закрытой, модели.

• Механика: на каждом шаге модель выдаёт JSON-блок с двумя полями — конкретная команда для исполнения в среде и state_patchi (изменения относительно прошлого состояния); агент выполняет команду, получает ответ от среды и обновляет state по state_patch
• На следующий шаг модели передаётся только обновлённый state, системный промпт и последний ответ среды — без истории сообщений и прошлых рассуждений
• На warehouse-задаче из 100 шагов с Gemini-3-Flash: SKILL.state — score 0.94, 65 408 токенов; LangGraph-style baseline — score 0.91, 1 062 387 токенов (разница ~16,2×)
• На 200 шагах экономия токенов достигает 98% (по данным Data Secrets), то есть разрыв нарастает с длиной задачи
• На реальном бенчмарке InterCode CTF SKILL.state показал 54,2% против 40–45% у бейзлайнов — точность выше за счёт «чистого» представления задачи без мусорных фактов и ошибочных гипотез из прошлого контекста
• По данным vc.ru, в тестах общий расход токенов снизился примерно в 50 раз
• Ограничение метода: он работает только когда вся нужная в будущем информация действительно помещается в заранее заданную схему state
• Ссылка на статью: arxiv.org/abs/2608.26263