Hugging Face 推出 ALTK-Evolve：用更少 token 实现同等智能体记忆能力

Hugging Face 近期在官方博客发文，将其自研的智能体记忆系统 ALTK-Evolve 与学界近期提出的 ACE（Agentic Context Engineering）进行同条件对比。两者都主张让 LLM 智能体从自身历史轨迹中提炼可复用的「经验」，在不同任务之间共享，但不更新模型权重、也不依赖人工标注。Hugging Face 在 AppWorld 基准上给出的数据显示，ALTK-Evolve 在显著降低推理 token 成本的同时，保持了与 ACE 相当甚至略优的任务完成率。

核心共识：不压缩，而是计数

两套系统对同一个核心问题——「是否要把智能体好不容易学到的东西压缩成简洁总结」——给出了几乎一致的否定答案。ACE 把失败原因归为「brevity bias（简短偏置）」和「context collapse（上下文坍缩）」，选择保留内容详尽、逐条计分的「playbook」。ALTK-Evolve 同样不为每条经验做合并式压缩，而是为每条 guideline 维护一个「support count」，记录它由多少独立 episode 提炼而来。

ACE 的做法：playbook 每条 bullet 带 helpful/harmful 计数，读取时由模型蒸馏相关项。
ALTK-Evolve 的做法：每条 guideline 保留独立的支持计数，仅在高度近义时合并并保留合并后的累计计数。

两者的本质是同一想法的两种实现：经验应当被「数清楚」，而不是被「吞掉」。

关键差异：构建方式与交付方式

Hugging Face 将分歧归到两个层面：记忆如何被构建，以及在推理时如何被送进上下文。构建层面差异相对次要——ACE 采用 Generator → Reflector → Curator 循环做增量更新并按 embedding 去重，ALTK-Evolve 则在合并同类经验时保留累积支持计数，并按 strategy / recovery / optimization 等类型抽取带因果归属的 guideline，粒度细化到子任务级别，使一条经验可以跨应用迁移。

真正决定数字差异的是交付方式：

ACE：每次推理都把整本 playbook 注入上下文，对模型与任务不区分。
ALTK-Evolve：把交付视作一个可调旋钮。默认只下发一个固定的高支持核心，按任务再加按余弦相似度或 LLM 排序选出的若干条 guideline；当模型上下文足够宽时，也可以一次性下发完整集合。

同一批经验，两个系统都能用，区别在于 ACE 总是全量下发，而 ALTK-Evolve 只下发当前模型「用得完」的那部分。

AppWorld 上的实测对比

Hugging Face 用同一套 ReAct 基座智能体在 AppWorld 上分别跑了两个系统，得到下表所示结果（TGC / SGC 分别为任务目标完成率与严格目标完成率，单位为 %）：

DeepSeek-V3.2：ACE 80.4 / 73.2，每任务约 634K tokens；ALTK-Evolve 89.3 / 80.4，约 263K tokens。
gpt-oss-120b：ACE 54.8 / 35.7，约 777K tokens；ALTK-Evolve 56.0 / 37.5，约 116K tokens。

强模型下，ALTK-Evolve 在两项指标上均更优，推理成本约为 ACE 的 40%；弱模型下，准确率差距仅在基准噪声范围内，Hugging Face 称之为「平局」，但 token 成本降至约七分之一。Hugging Face 强调，ACE 的效率故事集中在「低成本构建上下文」，ALTK-Evolve 的优势则集中在「低成本投喂上下文」，两者解决的是不同环节。

难度拆解：两种模型，两种故事

按难度级别拆分后，两套系统在不同能力档位的模型上呈现出不同的相对优势：

在 gpt-oss-120b（弱模型）上，ACE 的全量 playbook 在 Easy 和 Medium 难度占优——任务本身依赖通用指令遵循能力时，详细 prompt 比挑选式检索更有帮助；但在 Hard 难度上，ALTK-Evolve 的按任务挑选机制反超，并在累计指标上整体胜出。
在 DeepSeek-V3.2（强模型）上，ACE 的全量 playbook 在 Medium 难度略占上风，但 ALTK-Evolve 在 Easy、Hard 与 Overall 三个层级均领先。能力越强的模型，越能消化更多经验而不会被冗余信息干扰。

Hugging Face 表示，为两个模型各自选择了「最佳配置」：强模型下发完整合并集，弱模型使用按任务精选。这一选择也对应了博客未写完的结论——大上下文对弱模型而言并非越多越好，匹配的检索策略才是关键。