Uma equipa de investigadores da IBM publicou recentemente um estudo comparativo entre o sistema ACE (Agentic Context Engineering) e a sua própria proposta, denominada ALTK-Evolve. Ambos os sistemas permitem que agentes de inteligência artificial aprendam a partir das suas próprias trajetórias de execução, transformando experiências passadas em lições reutilizáveis sem a necessidade de ajustes nos pesos do modelo ou intervenção humana. O desafio central que ambos procuram resolver é a fiabilidade na utilização de APIs, onde os agentes frequentemente falham não por falta de conhecimento, mas por erros na estruturação de chamadas ou na gestão de contextos complexos.
A principal convergência entre o ACE e o ALTK-Evolve reside na rejeição da compressão de dados. Ambos os sistemas defendem que a informação aprendida deve ser preservada na sua totalidade, evitando o colapso do contexto ou o enviesamento para instruções demasiado breves. Enquanto o ACE organiza as lições num manual de procedimentos exaustivo, o ALTK-Evolve consolida-as em diretrizes individuais recuperáveis. Em ambos os casos, a lógica de contagem de suporte — que regista quantas vezes uma lição foi validada por episódios independentes — é utilizada para garantir que a relevância de cada instrução seja mantida sem perdas de detalhe.
A divergência fundamental entre as duas abordagens manifesta-se na forma como a memória é construída e, crucialmente, como é entregue ao modelo durante a inferência. O ACE utiliza um ciclo de atualização incremental que mantém um manual completo, injetando-o integralmente em cada passo da tarefa. Pelo contrário, o ALTK-Evolve adota uma estratégia de entrega seletiva. O sistema funciona como um seletor dinâmico, enviando apenas um conjunto fixo de diretrizes de alto suporte, complementado por lições específicas para a tarefa em curso, ajustando o volume de dados conforme a capacidade do modelo.
Os resultados experimentais, realizados na plataforma AppWorld, demonstram que esta diferença na entrega de dados tem um impacto direto e significativo no custo computacional. Ao testar o modelo DeepSeek-V3.2, o ALTK-Evolve alcançou uma taxa de conclusão de tarefas superior à do ACE, consumindo apenas cerca de 40% dos tokens necessários. Em modelos de menor dimensão, a eficiência é ainda mais pronunciada, com o sistema da IBM a atingir níveis de precisão equivalentes aos do ACE, mas com uma redução drástica no consumo de tokens, que chega a ser sete vezes inferior em cenários específicos.
A investigação sugere que a eficiência na inferência não depende apenas da construção da memória, mas da inteligência na sua distribuição. Ao tratar a entrega de contexto como um parâmetro variável e não como uma constante, o ALTK-Evolve consegue otimizar a utilização de recursos sem comprometer o desempenho. Esta abordagem oferece uma alternativa viável para a implementação de agentes autónomos em ambientes onde o custo de processamento e a latência são fatores críticos, provando que a gestão estratégica da memória é tão vital quanto a própria capacidade de aprendizagem do modelo.
Porque importa
A otimização do consumo de tokens é um fator determinante para a viabilidade económica de agentes autónomos. Ao demonstrar que é possível manter a precisão reduzindo drasticamente a carga de dados injetada no modelo, a IBM propõe uma mudança de paradigma na gestão de memória de agentes, tornando sistemas complexos mais acessíveis e eficientes.