IBM 研究院发布 ALTK-Evolve 智能体记忆剂量研究
IBM 研究院在 Hugging Face 博客介绍 ALTK-Evolve 框架：从智能体自身历史轨迹中提炼行为指南，在推理时注入上下文，无需更新模型权重。跨 8 个模型的评测发现，记忆注入量需按模型能力校准：强模型适合全量指南，弱模型适合精选检索，饱和模型无收益。对做智能体开发的工程师有参考价值。
要点速览
- 01ALTK-Evolve 从智能体成功与失败轨迹中提炼可复用指南，推理时注入，不改权重
- 02在 AppWorld 基准 585 个多步任务上评测，覆盖 8 个不同能力层级的模型
- 03gpt-oss-120b 用精选检索策略任务完成率提升 16.1 个百分点，token 开销仅 +5%
- 04DeepSeek-V3.2 注入全量指南集后任务完成率提升 9.5 个百分点，但 token 开销 +78%
- 05GLM-5 在该测试中呈饱和模式，注入记忆无可测量收益
背景
智能体记忆（把过往经验蒸馏后放回上下文）被视为提升智能体表现的常见手段，但注入多少、怎么注入此前缺乏系统研究。
影响
对构建智能体的开发者有实用参考：可根据所用模型的能力层级选择全量注入或精选检索策略，在准确率与 token 成本间取得平衡。
原文来自 Hugging Face 博客，版权归原作者所有。中文标题和摘要由 AI 根据原文自动生成，可能有误，请以原文为准。