L'article présente une méthode de fingerprinting compacte et sensible à la localité pour les compétences des agents IA qui utilise un SimHash multi-banques pour générer des signatures fixes de 120 octets. Au lieu de s'appuyer sur le hachage cryptographique, sensible aux modifications mineures, cette approche projette chaque composant d'une compétence—prompt, code et outils—en bits pour une comparaison via la distance de Hamming.
- L'empreinte maintient une structure triple par composant plutôt qu'un score unique, lui permettant de récupérer l'identité de la famille de compétences via le paraphrase, le renommage et le refactoring tout en localisant quel composant porte la réutilisation.
- Elle atteint une aire sous la courbe ROC (AUC) de 0.974 sur 4 950 comparaisons par paires tout en utilisant 77 fois moins de bits que l'embedding qu'elle approxime.
- Sur un benchmark d'injection de 906 compétences, l'empreinte reconnaît les compétences injectées comme des copies altérées d'une base connue et localise le changement.
Les auteurs soutiennent que cette méthode fournit une lignée et une identité structurelle pour un registre de compétences, servant de signal d'identité complémentaire à la vérification comportementale plutôt qu'un verdict de sécurité.