ACEを考えていますか？少ないトークンで実現できます

このブログでは、ALTK-Evolveを紹介し、ACE（Agentic Context Engineering、エージェンティック・コンテキスト・エンジニアリング）と比較しています。これらはどちらもエージェンティック・メモリの一種であり、エージェントの過去の軌跡を再利用可能な教訓に変換し、重みを更新せずに推論時に注入します。両システムは、教訓を圧縮しないという中核的な原則で一致しています。ACEは、各箇条書きに有用/有害のカウンターを備えた包括的で進化するプレイブックを使用する一方、ALTK-Evolveは類似した教訓をクラスターに統合し、各ガイドラインのサポート数を維持して、ストアを要約することは決してありません。メモリの構築と配信の方法が異なります。ACEは、Generator、Reflector、Curatorのループを通じて単一のプレイブックを成長させ、デルタ更新と埋め込みベースの重複排除を行います。一方、ALTK-Evolveは、ほぼ重複するものをクラスタリングし、サポート保存を伴うマージをサポートし、サブタスクの粒度で出所を持つ型付きガイドライン（戦略、回復、最適化）を抽出します。主要な違いは配信にあります。ACEは毎ステップで完全なプレイブックを注入するのに対し、ALTK-Evolveは、高サポートのガイドラインの小さな固定コアとタスクごとの選択、またはモデルが処理できる場合は完全なセットを送信します。同じReActエージェントを使用したAppWorldベンチマークでは、ALTK-Evolveははるかに少ないトークンで、同等またはそれ以上のTGCおよびSGCスコアを達成しています。DeepSeek-V3.2では、TGC 89.3対80.4、タスクあたりのトークン数は263K対634K、gpt-oss-120bでは、TGC 56.0対54.8、タスクあたりのトークン数は116K対777Kです。精度の向上は、完全なプレイブックを注入するのではなく、タスクごとにいくつかのガイドラインを取得することによるものであり、難易度別の分析では、難しいタスクでは、厳選された取得が完全なプレイブックよりも優れている一方、簡単なタスクでは、完全なプレイブックがより役立つ可能性がありますが、その差は小さいことを示しています。ブログでは、ACEの効率性はコンテキストを安価に構築することにあり、ALTK-Evolveの効率性はそれを提供することにあると述べています。また、配信の調整がトークン削減の原動力であるとしています。ALTK-Evolveライブラリは、抽出、統合、および取得パイプラインを含めて利用可能であり、完全なテクニカルレポートも提供されています。