IBM detalha método de memória de agentes ALTK-Evolve
O sistema recupera diretrizes específicas da tarefa para reduzir tokens de inferência em comparação com o ACE.
Por que importa
A comparação destaca a entrega de memória em tempo de inferência como uma alavanca de custo e desempenho para agentes de IA. A recuperação seletiva pode ajudar sistemas de agentes a usar experiências passadas sem pagar o custo de carregar um playbook completo a cada etapa.
Pontos-chave
- 1.ALTK-Evolve e ACE aprendem lições reutilizáveis a partir de trajetórias de agentes.
- 2.A IBM afirma que a entrega seletiva reduziu os tokens por tarefa em comparação com o ACE nos testes do AppWorld.
- 3.A biblioteca ALTK-Evolve e o relatório técnico estão disponíveis no post.
A IBM Research publicou um post no Hugging Face comparando ALTK-Evolve e ACE, duas abordagens de memória agêntica que transformam trajetórias passadas de um agente em lições reutilizáveis, sem atualizar pesos nem usar rótulos humanos. O post afirma que o ALTK-Evolve consolida lições em diretrizes recuperáveis individualmente, enquanto o ACE usa um playbook abrangente inserido a cada etapa. Nos testes internos da IBM no AppWorld, com 168 tarefas, o ALTK-Evolve igualou ou superou as pontuações do ACE em conclusão de tarefas e cenários, usando menos tokens por tarefa no DeepSeek-V3.2 e no gpt-oss-120b.
⚡ Experimente hoje
Avalie a recuperação seletiva de diretrizes antes de adicionar prompts de memória grandes e sempre ativos a fluxos de trabalho de agentes.
Fontes e reportagens originais
Este resumo sintetiza e linka a cobertura dos veículos abaixo.
Gostou deste resumo? Receba o próximo no seu e-mail.
Mais em Pesquisa
Startup diz que dados são essenciais para avanços da IA contra o câncer
Segundo o TechCrunch, a startup afirma que a IA ainda não está perto de curar o câncer sem dados melhores.
HarnessRisk mede falhas de segurança em harnesses de agentes
O benchmark testa ataques em diferentes fases de harnesses de agentes, enquanto trabalhos relacionados analisam provisionamento específico por tarefa.
Agent Lightning v1.0 mira RL agêntico com harness
O framework conecta harnesses arbitrários de agentes ao pós-treinamento por aprendizado por reforço.