에이전트 기술(Agent skills)은 일반적으로 답변 정책, 증거 사용 습관, 작업 절차를 인코딩하는 자연어 마크다운(Markdown) 파일 형태로 배포됩니다. 이러한 파일들은 읽기 쉽고 이식성이 높지만, 간접적으로 소비된다는 단점이 있습니다. 즉, 각 작업 인스턴스마다 동결된(frozen) 언어 모델이 긴 텍스트 결과물을 생성 시점의 행동으로 번역해야 합니다. 본 논문은 자연어 기술 대신, 베이스 모델은 동결된 상태를 유지하면서 학습 가능한 소프트 델타(soft delta)에 의해 정제되는 압축된 연속적 문맥 객체(compact continuous context object)를 초기화할 수 있는지 질문합니다. 우리는 다음 토큰 예측(next-token prediction)을 통해 이러한 소프트 기술을 튜닝하고, 추론 시점에 잠재적 행동 사전 지식(latent behavioral priors)으로 배포하는 동결 백본(frozen-backbone) 방식인 SoftSkill을 제안합니다. 주요 단일 라운드(single-round) 설정에서, Qwen3.5-4B에 적용된 길이 32의 SoftSkill 접두사(prefix)는 기술이 없는 프롬프팅(no-skill prompting) 대비 SearchQA에서 8.3포인트, LiveMath에서 42.1포인트, DocVQA에서 1.3포인트를 개선했습니다. SkillOpt와 비교했을 때, SoftSkill은 수백에서 수천 개의 마크다운 기술 토큰을 단 몇 개의 가상 토큰(virtual tokens)으로 대체하면서도 SearchQA에서 5.2포인트, LiveMath에서 12.5포인트의 정확도 향상을 보였습니다. 우리는 더 나아가 더 어려운 경계 사례(boundary case)로서 에이전트 실행(agentic execution)을 연구하였으며, 여기서 희소 궤적 모방(sparse trajectory imitation)은 유용한 신호를 제공하지만 아직 장기적 절차적 행동(long-horizon procedural behavior)을 견고하게 압축하지는 못함을 확인했습니다. 더 넓게는, 본 결과는 일부 작업 기술이 추론 시점에 재해석되어야 할 추가적인 마크다운이 아니라, 동결된 모델이 작업에 진입하는 방식을 제어하는 압축된 잠재적 제어 장치(compact latent controls)로 취급되는 것이 더 낫다는 점을 시사합니다.