ALTK‑Evolve 從 τ²‑bench 訓練任務的代理執行軌跡中擷取資料，並使用基礎模型將反覆出現的行為模式提煉成簡短、可執行的準則。這些規則會附加在領域政策之後的系統提示中，並原封不動地套用於保留測試任務。關鍵在於，整個流程不涉及權重更新或人工標註，而且產生及使用準則的都是同一個模型。這套流程將偶發觀察轉化為持續保留的作業手冊，讓代理每次執行時都能參考。

這種架構在營運上相當輕量：準則擷取可離線執行，也可安排在定期重新訓練時進行；準則區塊則可透過快取降低每次呼叫的 token 成本；更新時只需替換提示，不必進行繁重的模型部署。從工程角度來看，這能降低基礎設施帶來的阻力，也比重新訓練大型模型更容易快速迭代。

效能提升來自兩種互補的作用：將流程限制寫入規則，以及泛化行為模式。準則將程序性知識——例如驗證身分的先後順序、確認變更的措辭、工具呼叫紀律——濃縮成模型必須遵守的明確限制，減少脆弱且偶發的錯誤。同時，從多次成功執行軌跡中提煉出的規則，也能捕捉反覆出現的客戶模式與邊界情境處理方式；若要讓模型自行掌握這些資訊，原本可能需要大量範例或成本高昂的微調。

從架構上來看，這種記憶就像一層穩定的短期政策：它會引導模型採取更安全的行動順序，並規範工具呼叫流程，以維護資料庫完整性。由於 τ²‑bench 只有在最終資料庫狀態符合預期結果時才判定成功，因此可靠度的提升能轉化為實際商業價值——交易失敗與升級處理的案件都會減少。

可比較四種做法：將學習式記憶附加至提示、微調模型權重、檢索增強生成（RAG），以及提示層級的個人化。微調會將行為模式內化至模型參數，但成本高、跨領域時容易失效，迭代速度也慢。RAG 會在查詢時提供外部知識，但檢索結果可能雜亂，需要建置向量資料庫並做好內容對齊，而且政策是否落實仍取決於模型。提示個人化雖然輕量，卻往往無法在工作階段結束後持續生效。學習式記憶則介於兩者之間：無須昂貴的重新訓練，就能持續落實程序限制；即使無法或不適合使用外部檢索，也能正常運作。

從成本與隱私角度來看，學習式準則以可預期的提示 token 額外成本，換取較低的推論複雜度與更簡單的治理流程。它不需要保護向量資料庫，訓練產物也僅是精簡且可由人員稽核的文字。對受資料在地儲存要求限制，或需要快速回復變更的團隊而言，相較於微調與 RAG，這能降低營運風險。

首先，建置代理執行紀錄的監測機制，擷取結構化執行軌跡與工具呼叫資料。設計準則擷取流程時，應產出簡短、可測試的規則，並附上支持次數，標示有多少次執行案例得出該規則。可針對高可靠度情境測試精簡的「高支持度」核心規則；若涵蓋範圍比盡量縮小提示更重要，則採用較完整、保留資訊的規則集。在正式環境中，利用提示快取重複使用相同的準則區塊，以降低 token 成本。

將生命週期管理措施落實到位：透過自動化單元測試，在保留的模擬環境中驗證更新後的準則區塊；針對涉及隱私的規則設置人工審核關卡；並同時追蹤平均準確度與嚴格可靠度指標（例如 Pass^4 或同等指標）。將準則區塊視為有版本紀錄、可回復的產物——替換提示既快速，也有助於安全地迭代。

學習式記憶承襲了模型本身的一些風險，也帶來新的風險。如果準則擷取放大了虛假的相關性，就可能把脆弱的經驗法則寫死在系統中。過大的作業手冊也會讓提示變得臃腫，若未使用快取，還會提高推論成本。此外，如果準則是從含有敏感客戶資料的執行紀錄中提煉而來，團隊必須先清理輸入資料，並確保準則產物本身不會洩漏個人識別資訊（PII）。

可採取的緩解措施包括設定支持門檻（只保留獲多項任務支持的規則）、對訓練追蹤資料執行自動去識別化，以及針對提及識別資訊或財務操作的規則進行審慎的人工審查。對合規要求嚴格的部署情境，應優先採用不嵌入原始使用者資料的提示層級記憶，並在正式上線前搭配可稽核的測試套件。