ALTK‑Evolve 采用了一条看似简单的路径：分析智能体过往的失误与成功，提炼出简短的行为规则，将其追加到系统提示词中，再让同一个基础模型在这份持久化上下文的指导下执行任务。在 τ²‑bench 受政策约束的客户服务任务中，这种方法让一个 gpt‑4.1 ReAct 智能体在零售场景中跻身前沿模型行列，并让一个 gpt‑5.5 智能体在航空场景中登顶。这一结果为生产团队揭示了一个务实的要点：要弥补能力差距，不一定非得换用更庞大的模型权重——有针对性、高质量的记忆就能显著改变结果。
ALTK‑Evolve 所说的“学习得到的指南”，其实是精简的操作手册条目：写入数据库前先进行身份验证、明确确认变更、每轮只执行一个工具操作、规范化用户标识符，等等。这些规则由智能体的运行轨迹自动生成，使用的正是运行智能体的同一个 LLM，无需人工标注，也无需更新模型权重。由于指南被纳入提示词，它们能在不同会话中即时、稳定地改变智能体行为——这种持久化记忆迭代成本低，也比反复微调更容易审计。
实测结果十分明确：加入一套无损提炼的指南后，零售场景的 Pass^4 提高了 10 个百分点，达到 67.5%；航空场景的表现也大幅提升，而且通常无需增加对话轮数。主要成本来自更长的系统提示词所增加的输入令牌，而非更多的 API 往返调用。通过提示词缓存和精细的上下文工程，这部分令牌成本大多可以抵消，因此，对于交互量大的客户服务场景，这种记忆方案在经济上颇具吸引力。
对产品和运营团队而言，这种模式重新定义了工程投入最能带来持久回报的方向：与其一味追逐下一款前沿模型，不如投资于记忆质量、指南整理和生命周期管理工具。不过，学习型记忆并非万能药——它最适用于流程规范、政策稳定且工具操作具有确定性的场景。下文将逐一介绍其机制、与其他方案的比较，以及一份实用的采用清单。