Pensando em ACE? Podemos Fazer com Menos Tokens
DeepSeek
OpenAI
O blog compara dois sistemas de memória agentiva, ACE (Agentic Context Engineering) e ALTK-Evolve, ambos transformando trajetórias passadas de um agente em lições reutilizáveis sem atualizações de pesos. Eles concordam em não comprimir lições, mas diferem na entrega: o ACE injeta um manual abrangente a cada passo, enquanto o ALTK-Evolve calibra quantas diretrizes enviar com base no modelo e na tarefa. No AppWorld, o ALTK-Evolve alcança precisão igual ou melhor a uma fração do custo de inferência.
O blog apresenta o ALTK-Evolve e o compara com o ACE (Engenharia de Contexto Agêntico), ambos sendo formas de memória agêntica que convertem as trajetórias passadas de um agente em lições reutilizáveis, injetadas no momento da inferência sem atualizar os pesos. Os dois sistemas concordam no princípio central de não comprimir as lições: o ACE usa um manual abrangente e em evolução, com contadores de ajuda/prejuízo por item, enquanto o ALTK-Evolve consolida lições semelhantes em clusters e mantém um contador de suporte para cada diretriz, nunca resumindo o armazenamento. Eles diferem em como a memória é construída e entregue: o ACE cresce um único manual por meio de um loop com Gerador, Refletor e Curador, com atualizações delta e deduplicação baseada em embeddings, enquanto o ALTK-Evolve agrupa quase-duplicados, suporta mesclagem com conservação de suporte e extrai diretrizes tipadas (estratégia, recuperação, otimização) com proveniência em granularidade de subtarefa. A principal diferença está na entrega: o ACE injeta o manual completo a cada passo, enquanto o ALTK-Evolve envia um núcleo fixo pequeno de diretrizes de alto suporte mais uma seleção por tarefa, ou o conjunto completo se o modelo puder lidar com isso. No benchmark AppWorld com o mesmo agente ReAct, o ALTK-Evolve alcança pontuações TGC e SGC maiores ou comparáveis com muito menos tokens: para DeepSeek-V3.2, TGC 89,3 vs. 80,4 e 263 mil vs. 634 mil tokens por tarefa; para gpt-oss-120b, TGC 56,0 vs. 54,8 e 116 mil vs. 777 mil tokens. Os ganhos de precisão vêm da recuperação de algumas diretrizes por tarefa em vez de injetar o manual inteiro, e a análise por dificuldade mostra que, em tarefas difíceis, a recuperação curada supera o manual completo, enquanto em tarefas mais fáceis, o manual completo pode ajudar mais, mas a diferença é pequena. O blog observa que a eficiência do ACE está em construir contexto barato, enquanto a do ALTK-Evolve está em servi-lo, e que a calibração da entrega é o que impulsiona a economia de tokens. A biblioteca ALTK-Evolve, incluindo pipeline de extração, consolidação e recuperação, está disponível, juntamente com um relatório técnico completo.
Fonte: Hugging Face blog —
original
