ALTK-Evolve vs ACE: La memoria agentica calibrata riduce i costi di inferenza

IBM Research introduce ALTK-Evolve, un sistema di memoria agentica che migliora le prestazioni degli agenti LLM in compiti multi-step imparando dalle traiettorie passate senza aggiornamenti dei pesi o etichette umane. Il sistema viene confrontato con ACE (Agentic Context Engineering), e entrambi concordano sul fatto che comprimere le lezioni di un agente in un riassunto ordinato sia controproducente. Invece, contano le lezioni piuttosto che comprimerle. La differenza chiave sta nella consegna: ACE inietta un playbook completo a ogni passo, mentre ALTK-Evolve calibra la consegna in base alla capacità del modello, inviando un piccolo nucleo fisso di linee guida ad alto supporto più una selezione specifica per il compito, o l'insieme completo quando il modello può gestirlo. Sul benchmark AppWorld, ALTK-Evolve raggiunge un'accuratezza uguale o migliore a circa il 40% del costo di inferenza di ACE su un modello forte (DeepSeek-V3.2) e circa un settimo del costo su un modello più debole (gpt-oss-120b), con un pareggio in accuratezza (56.0 vs 54.8). La suddivisione per difficoltà mostra che il recupero selettivo vince sui compiti difficili, mentre i playbook completi aiutano nei compiti facili e medi per il modello più debole. Il sistema utilizza conteggi di supporto, linee guida tipizzate (strategia, recupero, ottimizzazione) e attribuzione causale con provenienza. La libreria e il rapporto tecnico completo sono disponibili. Il confronto è controllato eseguendo ACE internamente sugli stessi modelli di base e split.