Содержание
Память для AI-агентов стала заметно дешевле
Команда IBM Research представила результаты нового сравнения ALTK-Evolve — открытой системы памяти, которая позволяет AI-агенту учиться на собственных прошлых действиях без дообучения модели и ручной разметки. По данным авторов, подход сохранил или повысил точность агента, одновременно сократив расход токенов в 2,4–6,7 раза по сравнению с Agentic Context Engineering (ACE).
Как агент учится на своих ошибках
Обе системы разбирают историю выполненных задач и превращают удачные решения и ошибки в повторно используемые правила. Например, агент может запомнить, как правильно перелистывать результаты API, находить нужного человека среди совпадающих имён или не возвращать лишнее значение, если пользователь его не просил.
Разница заключается в доставке этой памяти. ACE добавляет в контекст полный накопленный «учебник» на каждом шаге, а ALTK-Evolve хранит отдельные рекомендации, объединяет похожие и подбирает для конкретной задачи только наиболее полезные. Для более сильной модели система при необходимости может передать весь набор правил, а для менее мощной — ограничить контекст, чтобы не перегружать её.
До 777 тысяч против 116 тысяч токенов
В тесте AppWorld на 168 многошаговых задачах агент с DeepSeek-V3.2 и ACE расходовал в среднем 634 тысячи токенов на задачу, а с ALTK-Evolve — 263 тысячи. Показатель выполнения цели вырос с 80,4% до 89,3%. На модели gpt-oss-120b расход снизился с 777 тысяч до 116 тысяч токенов, при этом результат остался сопоставимым: 54,8% у ACE и 56% у ALTK-Evolve.
Это внутреннее сравнение авторов ALTK-Evolve, а не независимый бенчмарк: обе системы они запускали в собственной среде и отдельно отмечают разброс между прогонами. Тем не менее тест показывает практическую проблему длинной памяти AI-агентов — добавление всех накопленных инструкций в каждый запрос может стоить дороже и даже мешать более слабой модели.
Почему это важно для бизнеса
Для компаний, которые запускают агентов в поддержке, продажах, аналитике или автоматизации операций, выборочная память может означать меньше затрат на API и более стабильную работу на длинных сценариях. Библиотека ALTK-Evolve опубликована в открытом доступе: разработчики могут встроить извлечение, объединение и поиск рекомендаций в собственные агентные системы.