Un problema, dos respuestas

Si se da a un agente de lenguaje una tarea realista de varios pasos - dividir una cuenta, encontrar una canción, cuadrar un pedido entre nueve aplicaciones simuladas - cuando falla no suele ser por falta de conocimiento. Pagina mal una API, resuelve a la persona equivocada o devuelve un valor que nadie pidió. El modelo conoce las API; lo que no ha interiorizado es cómo usarlas de forma fiable. Y eso se puede aprender del propio historial del agente.

Una comparación publicada por IBM Research el 11 de agosto de 2026 toma dos sistemas que hacen justo eso sobre el mismo tipo de agente: ACE (Agentic Context Engineering) y el propio ALTK-Evolve de IBM. Ambos son una forma de memoria agéntica: convierten trayectorias pasadas en lecciones reutilizables y las devuelven en el momento de la inferencia. Sin actualizar pesos y sin etiquetas humanas.

En qué coinciden

Lo llamativo es que los dos equipos coinciden en la parte difícil: comprimir en un resumen ordenado las lecciones que al agente le costó ganar es un error.

ACE nombra la trampa con precisión. El primer modo de fallo es el sesgo de brevedad, la optimización que colapsa hacia instrucciones cortas y genéricas. El segundo es el colapso de contexto, cuando un modelo al que se pide reescribir todo su contexto resume el detalle hasta hacerlo desaparecer. La respuesta de ACE es mantener un manual rico y detallado, con un contador de útil o dañino en cada punto, y dejar que el modelo destile la relevancia al leerlo.

ALTK-Evolve llega a la misma conclusión desde el otro extremo: cada directriz guarda un recuento de apoyo con cuántos episodios independientes la produjeron, y el almacén nunca se reduce a un puñado de reglas. Una lección que descubrieron cinco tareas distintas es un objeto diferente de otra que apareció una sola vez. En palabras de los autores: cuéntenlas, no las colapsen.

En qué divergen

La divergencia se agrupa en dos apartados, y es el segundo el que aparece en la factura de tokens:

  • Construcción del almacén: ACE hace crecer un único manual mediante un bucle de Generador, Reflector y Curador, aplicando actualizaciones incrementales y eliminando duplicados por embeddings. ALTK-Evolve agrupa lecciones casi duplicadas y las fusiona dentro del grupo. La fusión conserva el apoyo: la superviviente hereda el recuento combinado, así que el almacén encoge sin perder cuánta experiencia respalda cada directriz.
  • Entrega: ACE inyecta el manual completo en cada paso, igual con independencia del modelo o la tarea. ALTK-Evolve trata la entrega como un dial y no como una constante: un núcleo fijo pequeño de directrices con mucho apoyo, ampliado por tarea con unas pocas seleccionadas, o el conjunto completo cuando el modelo tiene margen para usarlo.

Qué dicen los números

En el banco de pruebas AppWorld, con el mismo agente ReAct de base y ambos sistemas ejecutados internamente, DeepSeek-V3.2 con ACE alcanza 80,4 en objetivos de tarea y 73,2 en subtarea con 634.000 tokens por tarea, mientras ALTK-Evolve llega a 89,3 y 80,4 con 263.000 tokens: mejor en ambas métricas con cerca del 40 por ciento del coste de inferencia. Con gpt-oss-120b el cuadro cambia. ALTK-Evolve supera a ACE por 56,0 frente a 54,8, pero los autores lo consideran un empate dentro del ruido entre ejecuciones. La ganancia ahí no está en la precisión sino en el coste: 116.000 tokens frente a 777.000, cerca de una séptima parte.

Los autores añaden una salvedad honesta sobre el coste. La eficiencia que reivindica ACE trata de construir su contexto barato; la de ALTK-Evolve, de servirlo. Recuperar unas pocas directrices por tarea en vez de inyectar el manual entero en cada paso es exactamente donde se van los tokens. El desglose por dificultad lo respalda: en gpt-oss-120b el contexto completo lidera en tareas fáciles y medias, pero en las difíciles, donde el modelo debe elegir la lección adecuada, gana la recuperación seleccionada, y ese es el nivel que decide el resultado global.