В статье представлен компактный метод локально-чувствительного хеширования для навыков ИИ-агентов, использующий многобаночный SimHash для генерации фиксированных сигнатур длиной 120 байт. Вместо использования криптографического хеширования, чувствительного к незначительным правкам, этот подход проецирует каждый компонент навыка — промпт, код и инструменты — в биты для сравнения через расстояние Хэмминга.

  • Отпечаток сохраняет структуру тройки на компонент вместо одного показателя, что позволяет восстанавливать принадлежность к семейству навыков при перефразировании, переименовании и рефакторинге, одновременно локализуя, какой компонент отвечает за повторное использование.
  • Он достигает площади под ROC-кривой (AUC) 0.974 по 4950 парным сравнениям, используя в 77 раз меньше битов, чем аппроксимируемое эмбеддинг-представление.
  • На бенчмарке инъекции из 906 навыков отпечаток распознает внедренные навыки как измененные копии известного базового навыка и локализует изменения.

Авторы утверждают, что этот метод обеспечивает происхождение и структурную идентичность для реестра навыков, служа сигналом идентичности, дополняющим поведенческую верификацию, а не приговором безопасности.