Yapay zekâ ajanlarının karmaşık görevlerde başarısızlıkları genellikle bilgi eksikliğinden değil, API kullanımında hatalar veya yanlış kişilerin tespit edilmesinden kaynaklanıyor. ACE ve ALTK-Evolve sistemleri, ajanların geçmiş deneyimlerinden ders çıkarma ve bunları tekrar kullanma konusunda farklı yaklaşımlar sunuyor. Her iki sistem de dersleri sıkıştırma konusunda aynı fikirde: dersleri sayın, sıkıştırma.

ACE, başarısızlık modlarını 'kısaltma önyargısı' ve 'bağlam çöküşü' olarak tanımlıyor ve bunları önlemek için zengin bir oyun kitabı kullanıyor. ALTK-Evolve ise her dersin destek sayısını takip ediyor ve benzer dersleri birleştiriyor. Bu yaklaşımlar, aynı dersleri farklı konteynerlerde saklamak olarak tanımlanabilir.

ALTK-Evolve, daha az token kullanarak ACE'ye benzer veya daha iyi performans gösterdi. Güçlü bir modelde, ALTK-Evolve, ACE'nin kullanım maliyetinin yaklaşık %40'ında daha iyi sonuçlar elde etti. Zayıf bir modelde ise, ALTK-Evolve, ACE ile neredeyse aynı doğruluk oranını daha düşük maliyetle sağladı.