想到 ACE？用更少 Token 我们也能做到

这篇博客介绍了ALTK-Evolve，并将其与ACE（Agentic Context Engineering）进行了比较。两者都是智能体记忆的形式，即将智能体的过往轨迹转化为可复用的经验，并在推理时注入，而不更新权重。两个系统在核心原则上一致，即不压缩经验：ACE使用一个全面且不断发展的操作手册，每条要点带有有用/有害计数器，而ALTK-Evolve将相似的经验合并成簇，并为每条指导方针维护支持计数，从不总结压缩存储。它们在记忆的构建和交付方式上有所不同：ACE通过生成器、反思器和策展器的循环，以增量更新和基于嵌入的去重方式，发展出单一的操作手册；而ALTK-Evolve则对近似重复进行聚类，支持使用支持度守恒的合并，并提取带有来源的、在子任务粒度上的类型化指导方针（策略、恢复、优化）。关键区别在于交付方式：ACE在每一步注入整个操作手册，而ALTK-Evolve则发送一个小的固定核心（由高支持度指导方针组成）加上针对特定任务的选取，或者如果模型能处理，则发送完整集合。在AppWorld基准测试中，使用相同的ReAct智能体，ALTK-Evolve以更少的令牌数取得了更高或相当的TGC和SGC分数：对于DeepSeek-V3.2，TGC为89.3对80.4，每个任务的令牌数为263K对634K；对于gpt-oss-120b，TGC为56.0对54.8，令牌数为116K对777K。准确率的提升来自于每个任务检索少量指导方针，而不是注入整个操作手册；按难度进行的分析显示，在困难任务上，经过策展的检索优于完整操作手册，而在较简单任务上，完整操作手册可能更有帮助，但差异很小。该博客指出，ACE自身的效率在于低成本构建上下文，而ALTK-Evolve的效率在于服务上下文；交付的校准是节省令牌数的关键。ALTK-Evolve库（包括提取、整合和检索流水线）以及完整的技术报告现已可用。