近期，斯坦福大学与SambaNova Systems共同发布了一篇题为《Agentic Context Engineering: Evolving Contexts for Self-Improving Language Models》的研究论文。

该研究提出了一套名为ACE（Agentic Context Engineering）的创新框架，使人工智能无需重新训练模型参数即可实现持续的自我优化。

论文链接： https://arxiv.org/abs/2510.04618v1

研究的核心观点在于，大语言模型的能力表现不仅取决于参数规模，更关键的是其接收的"上下文质量"。简而言之，谁能构建出最优质的上下文环境，谁就能让模型展现出更卓越的智能水平。

ACE框架的突破性理念，在于让模型摆脱对"静态提示"的依赖，转向采用动态化、结构化、可迭代的"知识剧本"模式。

这些剧本完整记录了模型在任务执行过程中积累的策略规则、操作模板和修正方案。无论任务成功与否，每次运行结果都会被转化为一条"增量更新"记录。

与传统的"重写提示"方式不同，ACE通过小步安全更新的方式持续改进剧本内容，而非推倒重来的粗暴修改。

这种机制意味着，AI系统能够在实际运行中持续学习、记忆并改进，完全不需要进行任何参数微调。

ACE框架架构解析

研究团队指出，这种创新机制能有效避免两类常见问题：一是简化偏误，即在追求简洁优化的过程中丢失关键细节；二是上下文崩塌，即重写导致的知识结构损坏。

论文中举例说明，在实验环境中，一个AI代理积累了1.8万token的上下文知识，表现出色。但当模型试图"总结压缩"这些内容时，剧本被大幅削减至仅122个token，性能指标立即下滑57.1%。

研究人员直言："模型擅长使用知识，却不擅长整理知识。一次错误的重写操作，就可能摧毁全部的经验积累。"

该论文强调，ACE从根本上解决了这种"自毁式学习"的结构性风险。

图示说明：ACE框架在三类任务（智能体操作、领域知识推理、数值分析）上均显著优于其他方法，准确率提升最为明显。

三角色协作：生成、反思、策展

ACE体系建立在一条简单而深刻的核心理念之上：不要重写知识，而要管理知识。

整个系统被拆分为三个功能互补的智能角色。

首先是生成器。它负责执行具体任务，与环境进行交互，生成推理过程、代码或操作序列。

第二个是反思器，负责分析生成器的行动轨迹，识别成功与失败的关键因素，提炼"可操作的教训"。这些反馈信号可能源自代码错误、执行结果或外部标签。

第三个是策展器，它将积累的经验提炼为结构化条款，并通过确定性规则将有效内容整合进主剧本。

这样的三层循环机制——行动、反思、整合——构成了ACE的完整学习闭环。

每次更新仅影响局部条款，不会触及整体文本结构。

这种局部增量机制，使得知识库既能持续扩展，又不会发生系统性崩塌。

剧本本身采用项目化结构设计：包含策略规则、API调用模板、调试经验、常见错误解决方案等。每个条款都附带使用计数与正负反馈元数据。

反思器会基于这些记录判断哪些规则有效、哪些需要淘汰。策展器则据此进行修改或删除操作。

论文指出，这种方式让AI的知识体系"如同Git版本库一样持续演进"，能够安全地生长、精细地修剪、透明地追溯。

研究团队强调，ACE的复杂度并非负担，而是一套结构化的安全保障机制，以微小的系统开销换取知识的稳定积累。

小模型"越级挑战"：DeepSeek击败GPT-4.1

在复杂的AppWorld代理任务测试中，ACE框架带来了平均10.6%的性能提升，并将适应延迟降低86.9%。

研究团队特别指出，这种提升并非依赖更庞大的模型，而是源于更高效的上下文管理。

一个典型例证是：DeepSeek V3.1模型的参数量明显低于GPT-4.1。但在ACE框架支持下，它在AppWorld基准测试中与GPT-4.1代理表现相当，甚至在更复杂的测试集上实现了反超。

研究结果表明，"上下文工程"已成为新的算力平衡器。

更重要的是，ACE展现出惊人的效率优势。在多轮任务学习中，其更新延迟减少82%至91%，token使用成本下降83.6%。

图表说明：在金融分析任务中，ACE框架显著提升模型表现，即便缺乏真实标签数据也能保持稳定输出。

论文认为，这让"在线持续学习"从概念走向现实。AI不再需要频繁微调，而是能在运行中自主优化。

同时，ACE的结构化剧本使得学习过程可解释、可审计、可撤销。

如果某条规则被发现过时、存在偏见或违反规范，系统可以精准删除对应条款，实现"选择性遗忘"。