에이전트 시스템은 재사용 가능한 작업 절차를 인코딩하기 위해 텍스트 기술(textual skills)을 점점 더 많이 사용하고 있지만, 매 단계마다 이러한 기술을 프롬프트(prompt)에 주입하는 것은 상당한 컨텍스트 오버헤드(context overhead)를 발생시키고 기술 내용을 평문(plaintext)으로 노출시킵니다. 우리는 사전 학습된 하이퍼네트워크(hypernetwork)를 통해 텍스트 기술을 플러그 앤 플레이(plug-and-play) 방식의 LoRA 어댑터(adapters)로 변환하는 프레임워크인 LatentSkill을 제시합니다. LatentSkill은 기술 지식을 컨텍스트 공간(context space)이 아닌 가중치 공간(weight space)에 저장하여, 모듈형 로딩(loading), 스케일링(scaling), 조합(composition) 기능을 유지하면서도 단계별 기술 토큰(skill tokens)을 제거합니다. ALFWorld 및 Search-QA 벤치마크에서 LatentSkill은 훨씬 적은 프리필(prefill) 토큰을 사용하면서도 상응하는 인컨텍스트(in-context) 기술 베이스라인보다 뛰어난 성능을 보였습니다. 구체적으로, ALFWorld에서는 프리필 토큰을 64.1% 적게 사용하면서도 학습된(seen) 데이터와 미학습(unseen) 데이터 분할에서 각각 21.4포인트와 13.4포인트의 성공률을 향상시켰으며, Search-QA에서는 기술 토큰 오버헤드를 72.2% 낮추면서도 정확도(exact match)를 3.0포인트 향상시켰습니다. 추가 분석 결과, 생성된 기술 LoRA는 구조화된 의미론적 기하학(semantic geometry)을 형성하며, LoRA 스케일링 계수(scaling coefficient)를 통해 정밀하게 제어될 수 있고, 기술 구성 요소가 정렬(aligned)되었을 때 파라미터 공간 산술(parameter-space arithmetic)을 통해 조합될 수 있음을 보여줍니다. 이러한 발견은 가중치 공간 기술이 LLM 에이전트를 확장하기 위한 효율적이고 모듈화되었으며 노출이 적은 기질(substrate)을 제공함을 시사합니다.