Memória de agentes com menos tokens
Pesquisadores da IBM Research publicaram um estudo comparando dois sistemas de memória agentiva — ACE (Agentic Context Engineering) e o novo ALTK-Evolve — mostrando que é possível obter precisão igual ou melhor usando uma fração dos tokens.
Ambos os sistemas recusam comprimir: em vez de resumir as lições aprendidas por um agente em regras genéricas, mantêm cada lição distinta com contadores de suporte que indicam quantas experiências independentes a produziram. A diferença crucial está na entrega.
O resultado prático
No benchmark AppWorld (168 tarefas simulando apps reais), com o modelo DeepSeek-V3.2:
- ACE: 80,4 de precisão (TGC), usando 634 mil tokens por tarefa
- ALTK-Evolve: 89,3 de precisão (TGC), usando 263 mil tokens — ~40% do custo de inferência do ACE
Com um modelo mais fraco (gpt-oss-120b), o ALTK-Evolve empata em precisão (56,0 vs 54,8 — dentro do ruído do benchmark) mas com apenas 15% dos tokens (116K vs 777K).
O truque: entrega calibrada
O ACE injeta o playbook completo de lições a cada passo do agente, independentemente do modelo ou tarefa. O ALTK-Evolve trata a entrega como um dial: um núcleo fixo pequeno de diretrizes de alto suporte, complementado por algumas selecionadas para a tarefa atual — ou, quando o modelo tem capacidade, o conjunto completo.
Em tarefas difíceis, onde o modelo precisa escolher a lição certa em vez de navegar por todas, a recuperação seletiva do ALTK-Evolve supera o ACE de forma consistente.
Por que importa
Memória agentiva é o próximo bloco de construção para agentes autônomos confiáveis. A maioria das falhas de agentes em tarefas multi-etapa não é por falta de conhecimento, mas por não internalizar como usar APIs de forma confiável. O ALTK-Evolve mostra que é possível aprender isso do próprio histórico do agente, sem fine-tuning e sem anotações humanas — e sem explodir a conta de tokens.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
