ACE erwägen? Wir schaffen das mit weniger Tokens

Der Blog stellt ALTK-Evolve vor und vergleicht es mit ACE (Agentic Context Engineering), bei denen es sich beide um Formen des agentischen Gedächtnisses handelt, die die vergangenen Trajektorien eines Agenten in wiederverwendbare Lektionen umwandeln, die zur Inferenzzeit injiziert werden, ohne die Gewichte zu aktualisieren. Die beiden Systeme stimmen im Kernprinzip überein, Lektionen nicht zu komprimieren: ACE verwendet ein umfassendes, sich weiterentwickelndes Playbook mit pro-Punkt-Hilfreich/Schädlich-Zählern, während ALTK-Evolve ähnliche Lektionen in Clustern zusammenfasst und für jede Richtlinie eine Unterstützungsanzahl pflegt, ohne den Speicher jemals zu verkleinern. Sie unterscheiden sich darin, wie das Gedächtnis aufgebaut und bereitgestellt wird: ACE erweitert ein einzelnes Playbook durch eine Generator-, Reflektor- und Kurator-Schleife mit Delta-Updates und embeddingsbasierter Deduplizierung, während ALTK-Evolve nahe Duplikate clustert, Merging mit Unterstützungserhalt unterstützt und typisierte Richtlinien (Strategie, Wiederherstellung, Optimierung) mit Provenienz auf Subtask-Ebene extrahiert. Der Hauptunterschied liegt in der Bereitstellung: ACE injiziert das vollständige Playbook bei jedem Schritt, während ALTK-Evolve einen kleinen festen Kern von Richtlinien mit hoher Unterstützung plus eine pro-Task-Auswahl sendet, oder die vollständige Menge, falls das Modell diese verarbeiten kann. Im AppWorld-Benchmark mit demselben ReAct-Agenten erreicht ALTK-Evolve höhere oder vergleichbare TGC- und SGC-Werte mit deutlich weniger Token: für DeepSeek-V3.2 TGC 89.3 gegenüber 80.4 und 263K gegenüber 634K Token pro Aufgabe; für gpt-oss-120b TGC 56.0 gegenüber 54.8 und 116K gegenüber 777K Token. Die Genauigkeitsgewinne resultieren daraus, dass pro Aufgabe nur wenige Richtlinien abgerufen werden, anstatt das gesamte Playbook zu injizieren, und die Analyse nach Schwierigkeitsgrad zeigt, dass bei schwierigen Aufgaben kuratierter Abruf besser abschneidet als das vollständige Playbook, während bei einfacheren Aufgaben das vollständige Playbook möglicherweise mehr hilft, der Unterschied jedoch gering ist. Der Blog merkt an, dass ACEs eigene Effizienz darin liegt, Kontext kostengünstig aufzubauen, während die von ALTK-Evolve in der Bereitstellung liegt, und dass die Kalibrierung der Bereitstellung die Token-Einsparungen antreibt. Die ALTK-Evolve-Bibliothek, einschließlich Extraktions-, Konsolidierungs- und Abruf-Pipeline, ist zusammen mit einem vollständigen technischen Bericht verfügbar.