ACE туралы ойланасыз ба? Аз токенмен іске асыруға болады

Жасанды интеллект агенттері күрделі тапсырмаларды орындау барысында өз тәжірибесінен сабақ алуды қажет етеді. Осы басқару әдістерінің тиімділігі токен мөлшерімен есептелетін ресурстық шығындарға әсер етеді. Осы тұрғыдан қарағанда, ACE (Agentic Context Engineering) және ALTK-Evolve жүйелері агенттердің өткен әрекеттерінен алынған сабақтарды құрылымдау арқылы олардың оқу үдерісін жетілдіреді. Бұл мақала екі жүйенің ұқсастықтары мен айырмашылықтарын сараптап, токен шығынын азайта отырып тиімділікке қол жеткізудің маңызын түсіндіреді.

Кіріспе

Жасанды интеллект агенттері бірнеше қадамнан тұратын күрделі тапсырмаларды шешкенде өзінің бұрынғы әрекеттеріне сүйенеді. Бұл тәжірибе жаңылысудан аулақ болуға, тапсырманы дұрыс орындауға ықпал етеді. Дегенмен, агенттердің әр қадамда көп мәліметтер мен нұсқауларды өңдеуге мәжбүр болуы токендердің үлкен шығындарымен байланысты. Сол себепті, жүйелер агенттің сабақтарын сақтап, оларды ықшам әрі тиімді түрде пайдалануды көздейді. ACE және ALTK-Evolve сияқты тәсілдер агенттің өткен траекториясы негізінде алынған сабақтарды сақтап, оларды келешекте кеңінен пайдаланады. Екі жүйе де оқыту барысында модельдің салмақтарын өзгерткен жоқ, адамның араласуынсыз мәліметтерді қайта қолдануға баса назар аударылған.

Негізгі түсінік

ACE және ALTK-Evolve агенттің өткен әрекеттерінен алынған сабақтарды жинақтайды, бірақ олардың сақтау тәсілі мен үлестіруі әртүрлі. ACE барлық сабақтарды бір кең әрі дамитын нұсқаулық жинағына біріктіріп, оны әр қадамда толық таратады. Ал ALTK-Evolve сабақтарды жеке-жеке, деңгейлері мен қолданысына қарай қысқаша әрі мақсатты түрде бөліп, тек қажетті бөлігін ғана модельге ұсынады. Мысалы, тапсырмаға сай ең маңыздылары таңдалып, солар ғана жеткізіледі, осылайша токендік шығын азаяды.

Организация мен жеткізу тұрғысынан екі жүйенің басты ерекшеліктері төмендегідей:

Сақтау тәсілі

ACE жаңа сабақтарды бір цикл арқылы қосады, ұқсас мәліметтерді біріктіре отырып, олардың саны қысқарады, бірақ сол сабақтарға негізделген қолдау саны сақталады. Сабақтар әр түрлі типтерге бөлінеді: стратегия, қалпына келтіру, оңтайландыру және олар қайдан алынғаны көрсетіледі, бұл басқа тапсырмаларға да сәйкес келуге мүмкіндік береді.

Жеткізу тәсілі

ACE кез келген жағдайда барлық нұсқаулықтар жинағын модельге толық береді. ALTK-Evolve керісінше, модельдің қуатына қарай жеткізуді реттейді: қуатты модельге толық жинақ, ал әлсізіне ең маңызды бірнеше ғана сабақ беріледі. Бұл тәсіл токен шығынын едәуір төмендетеді.

Контекст және мысалдар

AppWorld зертханалық ортасында екі жүйе ReAct агентімен сынақтан өтті. DeepSeek-V3.2 үлгісі үшін ALTK-Evolve тұтас жинақты тиімді пайдаланса, gpt-oss-120b моделінде маңызды сабақтарды таңдау басым болды. Екі жүйенің дәлдігі шамалас деңгейде болды, алайда ALTK-Evolve ACE-ге қарағанда біршама аз токен жұмсады.

Мысалы, DeepSeek-V3.2-де ALTK-Evolve жалпы тапсырмаларды орындауда жеңіс көрсетті, ал gpt-oss-120b моделінде күрделі тапсырмаларда маңызды сабақтарды іріктеу тиімді болды. Бұл тәжірибе әр түрлі модельдердің сыйымдылығы мен тапсырмалардың күрделілігіне қарай әр жүйенің әсіресе, жеткізу әдісінің маңызды екенін көрсетті.

Практикалық маңызы

Модельдерге сабақтарды берудегі икемділік есептеу ресурстарын үнемдеуге мүмкіндік береді. ALTK-Evolve жүйесі агентке нақты тапсырмаға қажетті нұсқаулықтарды ғана жеткізіп, үлкен контекстік блоктарды үнемі жүктеуден сақтайды. Бұл әдіс әсіресе компьютерлік ресурсы шектеулі әлсіз модельдер үшін тиімді. Ресурстар үнемделіп, дәлдік төмендемейді, кейде тіпті артады. Сондықтан, жасанды интеллект агенттерін бизнес немесе өндірісте қолданғанда, осындай икемді әдістер шығындарды азайтып, өнімділікті арттыруға септігін тигізеді.

Қорытынды

ACE және ALTK-Evolve агенттің өткен сабақтарын сақтап, оларды пайдалануда ұқсас мақсаттарға жетеді. Айырмашылығы сабақтарды моделге жеткізу тәсілінде. ACE барлық сабақтарды толық таратады, ALTK-Evolve керісінше, қажетті сабақтарды ғана таңдап береді. Бұл айырмашылық токендік шығындарды азайтып, ресурстар тиімді пайдалануға мүмкіндік туғызады. Тәжірибе көрсеткендей, икемділік арқылы модельдің дәлдігі төмендемей, кейде өседі. Бұл әдістер жасанды интеллект агенттерін жетілдіру мен кеңінен қолдану үшін маңызы зор.

ALTK-Evolve кітапханасы мен толық техникалық есептерді пайдалану арқылы осы тәсілдерді тәжірибеде қолдануға болады.

Дереккөз: Hugging Face Blog