ALTK-Evolve 与 ACE 都让智能体从自身轨迹中学习，但两者在如何保存和传递所学内容上分道扬镳，而这一差异直接决定了推理时的 token 消耗。

两者都拒绝压缩。ACE 将失败模式命名为 brevity bias 和 context collapse，其对策是维护一份详尽、逐条编号的 playbook，每条附有 helpful/harmful 计数器，并在读取时让模型自行提炼相关性。ALTK-Evolve 从另一方向得出相同结论：每条独立 guideline 都保留支持计数（support count），记录它由多少次独立片段产生，而且绝不将存储压缩成少数几条规则。一个被五个不同任务发现的教训与只出现一次的教训是不同对象，两者都值得保留。因此，在核心问题——是否应将智能体的经验压缩成简洁摘要——上，两者答案一致：不要压缩，要计数。ACE 的逐条计数器和 ALTK-Evolve 的支持计数是同一想法的两种表达。

分歧在于两处：记忆的构建方式和传递方式，而传递差异直接体现在 token 账单上。在构建方面，ACE 通过 Generator → Reflector → Curator 循环增长单一 playbook，采用增量 delta 更新并用嵌入去重。ALTK-Evolve 则对近似重复的教训进行聚类并在簇内合并，合并时保持支持计数——多个教训合并后，幸存者继承它们的组合计数，因此存储减少却不丢失每条 guideline 背后的经验量。它还提取类型化 guideline（策略、恢复、优化），附带因果归因和来源轨迹，并且按子任务粒度提取，使一个应用上学到的教训可以迁移到另一个应用。

在传递方面，ACE 在每一步都注入完整 playbook，无论模型或任务如何，始终相同。ALTK-Evolve 将传递视为可调节的旋钮，而非固定常量：一个由高支持 guideline 组成的小固定核心，加上按任务挑选的少量 guideline（余弦或 LLM 引导，按优先级加权），或者当模型有足够余量时，使用完整的合并集。两个系统都能获得相同教训；区别在于 ACE 总是发送全部内容，而 ALTK-Evolve 只发送给定模型实际能用的数量。

在 AppWorld 基准上，使用相同的基础 ReAct 智能体，ALTK-Evolve 在 DeepSeek-V3.2 上达到 TGC/SGC 89.3/80.4，token 消耗 263K，而 ACE 为 80.4/73.2，634K；在 gpt-oss-120b 上，TGC/SGC 56.0/37.5，token 116K，而 ACE 为 54.8/35.7，777K。在强模型上，ALTK-Evolve 在两项指标上均更优，成本约为 ACE 的 40%；在弱模型上，准确率 56.0 对 54.8，几乎持平（一次重复运行得到 54.8，与 ACE 几乎一致，处于该基准的噪声范围内），而成本约为 ACE 的七分之一。

按难度划分的结果揭示了不同故事。在 gpt-oss-120b 上，ACE 的完整 playbook 在简单和中等任务上略有优势，因为通用指令遵循足以解决大部分任务，综合提示帮助大于干扰；但在困难任务上，模型必须挑选正确教训而非浏览全部，精选检索领先，而这一层级决定了总体结果。在 DeepSeek-V3.2 上，更强模型吸收 ACE 完整 playbook 的能力在中等任务上略胜，但 ALTK-Evolve 在简单、困难及总体上均领先——有更多余量时，更多教训（以 ALTK-Evolve 方式传递）能持续帮助而非互相挤占。

ALTK-Evolve 给每个模型其最佳配置：强模型使用完整合并集，弱模型使用选择性检索，因为大上下文会压垮弱模型。这一校准带来了上述数字：在相同或更好准确率下，推理成本仅为 ACE 的一小部分；在弱模型上，这决定了引导是帮助还是妨碍。