действий со счетчиками полезности/вреда для каждого пункта, тогда как ALTK-Evolve объединяет похожие уроки в кластеры и поддерживает счетчик поддержки для каждого правила, никогда не суммируя хранилище. Они различаются тем, как память строится и доставляется: ACE выращивает единый план действий через цикл из Генератора, Рефлектора и Куратора с дельта-обновлениями и дедупликацией на основе эмбеддингов, тогда как ALTK-Evolve кластеризует почти дубликаты, поддерживает объединение с сохранением поддержки и извлекает типизированные правила (стратегия, восстановление, оптимизация) с указанием происхождения на уровне подзадач. Ключевое различие — доставка: ACE внедряет полный план действий на каждом шаге, тогда как ALTK-Evolve отправляет небольшое фиксированное ядро правил с высокой поддержкой плюс выборку по задаче, или полный набор, если модель может с ним справиться. На бенчмарке AppWorld с тем же агентом ReAct ALTK-Evolve достигает более высоких или сопоставимых показателей TGC и SGC с гораздо меньшим количеством токенов: для DeepSeek-V3.2 TGC 89.3 против 80.4 и 263K против 634K токенов на задачу; для gpt-oss-120b TGC 56.0 против 54.8 и 116K против 777K токенов. Рост точности объясняется извлечением нескольких правил на задачу вместо внедрения всего плана действий, а анализ по сложности показывает, что на сложных задачах курируемое извлечение превосходит полный план действий, тогда как на более простых задачах полный план может помочь больше, но разница невелика. В блоге отмечается, что собственная эффективность ACE заключается в дешевом построении контекста, тогда как ALTK-Evolve — в его обслуживании, и что калибровка доставки обеспечивает экономию токенов. Библиотека ALTK-Evolve, включая конвейер извлечения, консолидации и поиска, доступна вместе с полным техническим