技术博客

斯坦福大学最新研究提出了一种名为ACE（Agentic Context Engineering）的创新方法，通过生成、反思与策展三个角色协同运作，结合差分更新机制，将系统提示、运行记忆和证据整合为可演化的策略手册，有效缓解了简化偏置与上下文塌缩问题。在AppWorld和金融基准测试中，ACE相较强基线模型分别实现了10.6%和8.6%的性能提升，适配时延降低86.9%，仅需原时间的1/6。此外，该方法在无监督学习场景下也展现出良好适应性，无需标注数据即可实现高效学习。

斯坦福大学、SambaNova Systems公司和加州大学伯克利分校的研究人员在一项联合研究中提出了一种名为智能体上下文工程（Agent Context Engineering, ACE）的创新方法。该方法通过充分利用上下文信息，在不调整模型权重的前提下显著提升模型的推理与决策能力。研究表明，ACE方法能够在保持模型结构不变的情况下实现有效的性能优化，为模型智能化提供了新路径。这一突破对推动高效、低成本的人工智能系统发展具有重要意义。