Aynı sorun, iki çözüm

Bir dil modeli ajanına gerçekçi ve çok adımlı bir görev verildiğinde -bir hesabı bölüştürmek, bir şarkı bulmak, dokuz taklit uygulama arasında bir siparişi denkleştirmek- başarısızlık genellikle bilgi eksikliğinden kaynaklanmıyor. Ajan bir API'yi yanlış sayfalıyor, yanlış kişiyi eşleştiriyor ya da istenmediği halde bir değer döndürüyor. Model API'leri biliyor; içselleştiremediği şey onları güvenilir biçimde kullanmak. Bu ise ajanın kendi geçmişinden öğrenilebilir bir şey.

IBM Research'ün 11 Ağustos 2026'da yayımladığı karşılaştırma, aynı tür ajan üzerinde çalışan iki sistemi ele alıyor: ACE (Agentic Context Engineering) ve IBM'in kendi geliştirdiği ALTK-Evolve. İkisi de bir tür ajan hafızası; ajanın geçmiş yörüngelerini yeniden kullanılabilir derslere çevirip çıkarım anında geri besliyorlar. Ağırlık güncellemesi yok, insan etiketi yok.

Üzerinde anlaştıkları nokta

Şaşırtıcı olan, iki ekibin işin zor kısmında hemfikir olması: ajanın zorlukla kazandığı dersleri derli toplu bir özete sıkıştırmak yanlış.

ACE bu tuzağı iki adla tanımlıyor. Birincisi kısalık yanlılığı: optimizasyonun kısa ve genel talimatlara doğru çökmesi. İkincisi bağlam çöküşü: tüm bağlamını yeniden yazması istenen bir modelin her adımda ayrıntıyı özetleyip yok etmesi. ACE'nin yanıtı, her maddesinde yararlı-zararlı sayacı bulunan zengin ve maddelenmiş bir oyun kitabı tutmak ve ilgiyi okuma anında modele damıttırmak.

ALTK-Evolve aynı sonuca öbür uçtan varıyor: her ayrı yönerge bir destek sayısı taşıyor, yani kaç bağımsız denemeden çıktığı kayıtlı ve depo hiçbir zaman birkaç kurala indirgenmiyor. Beş farklı görevin keşfettiği bir ders, bir kez görülmüş bir dersten farklı bir nesne. Yazarların ifadesiyle sayın, çökertmeyin.

Ayrıştıkları yer

Fark iki başlıkta toplanıyor ve jeton faturasına yansıyan ikincisi:

  • Deponun kurulması: ACE tek bir oyun kitabını Üretici, Yansıtıcı ve Küratör döngüsüyle büyütüyor; artımlı değişiklikler uyguluyor ve gömme benzerliğiyle tekrarları ayıklıyor. ALTK-Evolve ise birbirine yakın dersleri kümeleyip küme içinde birleştiriyor. Birleşmede hayatta kalan ders diğerlerinin destek sayısını devralıyor, böylece depo küçülürken hangi yönergenin arkasında ne kadar deneyim olduğu kaybolmuyor.
  • Teslim: ACE kapsamlı oyun kitabını her adımda, modelden ve görevden bağımsız olarak aynı biçimde veriyor. ALTK-Evolve teslimi sabit değil ayarlanabilir bir kademe olarak görüyor: yüksek destekli yönergelerden oluşan küçük bir sabit çekirdek, üzerine göreve göre seçilmiş birkaç yönerge; modelin alanı varsa tüm birleştirilmiş küme.

Ölçümler ne diyor?

AppWorld değerlendirmesinde aynı temel ReAct ajanıyla, iki sistem de kurum içinde çalıştırıldı. DeepSeek-V3.2 ile ACE görev ve alt görev tamamlamada 80,4 ve 73,2 sonucunu görev başına 634 bin jetonla verirken, ALTK-Evolve 89,3 ve 80,4 sonucunu 263 bin jetonla veriyor: her iki ölçütte daha iyi ve çıkarım maliyetinin yaklaşık yüzde 40'ı. gpt-oss-120b ile tablo başkalaşıyor; ALTK-Evolve 56,0'ya karşı 54,8 ile ACE'nin önüne geçiyor ancak yazarlar bunu kıyaslamanın çalışmalar arası gürültüsü içinde sayıp berabere kabul ediyor. Buradaki kazanç doğrulukta değil maliyette: 116 bin jetona karşı 777 bin, yaklaşık yedide bir.

Yazarların maliyet konusunda dürüst bir çekincesi var: ACE'nin kendi verimlilik iddiası bağlamı ucuza kurmakla ilgili, ALTK-Evolve'unki ise onu sunmakla. Her adımda tüm oyun kitabını enjekte etmek yerine görev başına birkaç yönerge çekmek, jetonların gittiği yeri doğrudan değiştiriyor. Zorluk kırılımı da bunu destekliyor: gpt-oss-120b'de kolay ve orta görevlerde kapsamlı bağlam öne geçiyor, ancak modelin doğru dersi seçmek zorunda kaldığı zor görevlerde seçili getirme kazanıyor ve toplamı belirleyen kademe orası.