IBM 比較代理記憶機制 ALTK-Evolve 與 ACE：採選擇性檢索，在 DeepSeek-V3.2 測試省下近六成 Token 並提升準確率

IBM Research 於 HuggingFace 發布代理記憶機制（Agentic memory）ALTK-Evolve 與 ACE 的技術對比。兩者皆透過代理過去的軌跡學習並回饋至推論階段，無需更新權重或人工標註；其中 ACE（Agentic Context Engineering）的相關研究論文甫於 2026 年 3 月 29 日發布。 兩套系統皆拒絕將記憶壓縮或摘要成簡短規則，以避免「簡潔偏見」（brevity bias）與「上下文崩塌」（context collapse），並保留每項指南的支援次數（support count）。在記憶建構上，ACE 透過生成、反思與策展迴圈進行增量更新；ALTK-Evolve 則將近似的教訓分群合併，並提取具備因果歸因的子任務級別指南（分為策略、恢復與最佳化三類）。 核心差異在於交付方式：ACE 在每個步驟皆注入完整的記憶指南，而 ALTK-Evolve 則採選擇性檢索，僅提供少量固定核心指南，並依任務動態挑選相關內容。 在 AppWorld 基準測試中，搭配 DeepSeek-V3.2 模型，ALTK-Evolve 的任務目標完成率（TGC）達 89.3，優於 ACE 的 80.4，且每項任務僅消耗 263K Tokens，約為 ACE（634K）的 40%。若搭配較弱的 gpt-oss-120b 模型，兩者準確率相近（56.0 對 54.8），但 ALTK-Evolve 僅需 116K Tokens，推論成本降至 ACE（777K）的七分之一。 難度分析顯示，ACE 的完整指南在較弱模型處理簡單與中等任務時具優勢，但 ALTK-Evolve 的動態檢索在困難任務中表現更佳，避免過長上下文干擾模型。