AjanlarAraştırma 🇺🇸 11.08.2026 17:01

ACE'yi mi Düşünüyorsunuz? Daha Az Token ile Yapabiliriz

DeepSeekDeepSeek OpenAIOpenAI
Blog, ACE (Agentic Context Engineering) ve ALTK-Evolve adlı iki ajan bellek sistemini karşılaştırıyor; her ikisi de ajanın geçmiş yörüngelerini ağırlık güncellemeleri olmadan yeniden kullanılabilir derslere dönüştürüyor. Dersleri sıkıştırmama konusunda hemfikirler, ancak sunumda farklılaşıyorlar: ACE her adımda kapsamlı bir rehber enjekte ederken, ALTK-Evolve modele ve göreve bağlı olarak gönderilecek yönergelerin sayısını ayarlıyor. AppWorld üzerinde, ALTK-Evolve çıkarım maliyetinin çok daha düşük bir kısmıyla aynı veya daha iyi doğruluk elde ediyor.
Bu blog yazısı ALTK-Evolve'u tanıtıyor ve onu, her ikisi de bir ajanın geçmiş yörüngelerini yeniden kullanılabilir derslere dönüştüren ve çıkarım sırasında ağırlıkları güncellemeden enjekte eden ajanik bellek biçimleri olan ACE (Ajanik Bağlam Mühendisliği) ile karşılaştırıyor. İki sistem, dersleri sıkıştırmama temel ilkesinde hemfikir: ACE, madde başına yararlı/zararlı sayaçları olan kapsamlı, gelişen bir oyun kitabı kullanırken, ALTK-Evolve benzer dersleri kümeler halinde birleştirir ve her kılavuz için bir destek sayısı tutar, depoyu asla küçültmez. Belleğin nasıl oluşturulduğu ve teslim edildiği konusunda farklılık gösterirler: ACE, Üretici, Yansıtıcı ve Küratör döngüsü aracılığıyla delta güncellemeleri ve gömme tabanlı yineleme giderme ile tek bir oyun kitabı büyütürken, ALTK-Evolve yakın yinelemeleri kümeler, destek korumasıyla birleştirmeyi destekler ve alt görev ayrıntı düzeyinde kaynakça ile yazılmış (strateji, kurtarma, optimizasyon) tip kılavuzları çıkarır. Temel fark teslimattadır: ACE oyun kitabının tamamını her adımda enjekte ederken, ALTK-Evolve yüksek destekli kılavuzların küçük sabit bir çekirdeğini artı görev başına bir seçim veya model bunu kaldırabiliyorsa tam seti gönderir. Aynı ReAct ajanı ile AppWorld kıyaslamasında, ALTK-Evolve çok daha az token ile daha yüksek veya karşılaştırılabilir TGC ve SGC puanları elde eder: DeepSeek-V3.2 için TGC 89.3'e karşı 80.4 ve görev başına 263K'ya karşı 634K token; gpt-oss-120b için TGC 56.0'a karşı 54.8 ve 116K'ya karşı 777K token. Doğruluk kazanımları, oyun kitabının tamamını enjekte etmek yerine görev başına birkaç kılavuz almaktan gelir ve zorluk analizi, zor görevlerde seçilmiş alma işleminin tam oyun kitabından daha iyi performans gösterdiğini, daha kolay görevlerde ise tam oyun kitabının daha çok yardımcı olabileceğini ancak farkın küçük olduğunu gösterir. Blog, ACE'nin kendi verimliliğinin bağlamı ucuza inşa etmekte olduğunu, ALTK-Evolve'un ise onu sunmakta olduğunu ve teslimat kalibrasyonunun token tasarrufunu sağladığını belirtiyor. ALTK-Evolve kütüphanesi, çıkarma, birleştirme ve alma hattı dahil olmak üzere tam teknik raporla birlikte mevcuttur.
Kaynak: Hugging Face blog — orijinal
Bu konudaki önceki yazılarımız ↓
Güncel haberler