ALTK-Evolve снижает расход токенов агентов по сравнению с ACE
Исследователи IBM Research сравнили ALTK-Evolve с Agentic Context Engineering (ACE) — двумя системами, которые превращают прошлые траектории AI-агента в рекомендации для следующих задач без изменения весов модели и без разметки от людей. Обе системы сохраняют отдельные уроки, а не сводят их к краткому резюме. ACE формирует единый подробный справочник, тогда как ALTK-Evolve хранит рекомендации, доступные по отдельности, с числом подтверждающих эпизодов и данными об их происхождении.
Ключевое различие связано с выдачей памяти модели. ACE передаёт весь справочник на каждом шаге агента. ALTK-Evolve выбирает небольшой набор рекомендаций под конкретную задачу либо использует полный набор, если модель способна эффективно его обработать. Авторы связывают такую настройку с сокращением расхода токенов при работе модели.
В проведённых авторами тестах AppWorld с одним и тем же ReAct-агентом DeepSeek-V3.2 получил 89,3% Task Goal Completion и 80,4% Scenario Goal Completion с ALTK-Evolve против 80,4% и 73,2% у ACE. Расход составил 263K против 634K токенов на задачу. Для gpt-oss-120b показатели были 56,0% и 37,5% против 54,8% и 35,7%, а расход — 116K против 777K токенов. Результаты основаны на одном прогоне 168 тестовых задач.
Текст подготовлен ИИ Sakhanda Wire по материалу Hugging Face. Факты, цитаты и полный контекст — в оригинальной статье ниже.