摘要： 智能体技能可以为工具使用指定程序性和资源性义务，而语言模型则将其实例化为具体的程序。然而，当模型将这些指导转化为针对现有工具接口的代码时，即使是语义上正确的程序也可能加载整个输入，并超出单次工具调用可用的内存。我们提出了 SkillEffect，一个用于计算的检查式降级运行时，它具有可恢复的源关系、经审计的有界实现和注册的输出后置条件。在授予执行权限之前，一个独立的检查器会根据提交的程序和不可变输入重建每个提议的降级。每个关系插件都提供一个源识别器、输入事实提取器、有界 IR 构造器、竞技场边界函数和后置条件；一个通用的运行时提供检查式选择、有界 VM 执行、原子容量租用和分阶段发布。SkillEffect 的通用性是架构性的而非自动性的：每个受支持的计算都需要一个经审计的关系插件，而调度、资源控制、执行和发布机制则在各插件间共享。在六个算子族中，有界访问显著降低了峰值内存，并在外部固定上限下提高了完成率。六个插件在五种执行模式中实例化了相同的契约，从流式归约到有界堆 Top-k。XLSX 入门研究和 Top-k 扩展表明，新的关系和新的保留状态模式复用了相同的信任边界，而检查器接受了所有评估过的合法配置，并拒绝了所有对抗性提议。这些结果共同表明，一种检查式降级架构可以在智能体工具调度时强制执行异构的注册内存关系。