Los fallos de los agentes de inteligencia artificial en tareas complejas suelen deberse no a la falta de información, sino a errores en el uso de API o a la identificación incorrecta de personas. Los sistemas ACE y ALTK-Evolve ofrecen diferentes enfoques para que los agentes aprendan de sus experiencias pasadas y las reutilicen. Ambos sistemas coinciden en la compresión de las lecciones: contar las lecciones, comprimirlas.
ACE define los modos de fallo como 'sesgo de abreviación' y 'colapso de contexto', y utiliza un libro de juegos rico para prevenirlos. ALTK-Evolve, por su parte, realiza un seguimiento del número de respaldos de cada lección y fusiona las lecciones similares. Estos enfoques pueden describirse como el almacenamiento de las mismas lecciones en diferentes contenedores.
ALTK-Evolve mostró un rendimiento similar o mejor que ACE utilizando menos tokens. En un modelo robusto, ALTK-Evolve obtuvo mejores resultados con aproximadamente el 40% del costo de uso de ACE. En un modelo débil, ALTK-Evolve logró una tasa de precisión casi igual a la de ACE con un costo menor.