ACE fait progresser les agents en actualisant leur contexte

LLéna

ACE cherche à améliorer des agents d’intelligence artificielle en actualisant leur playbook de contexte, sans modifier les poids du modèle, selon Brief IA. Son principe est de faire évoluer les consignes disponibles pour l’agent plutôt que le modèle lui-même. La boucle associe un Générateur, qui réalise une tâche, un Réflecteur, qui analyse la tentative et le retour reçu, puis un Conservateur, qui transforme les enseignements en mises à jour concises. Le playbook rassemble des entrées modulaires sur l’usage des outils, le code réutilisable ou le dépannage. Ces règles peuvent être ajoutées, modifiées, fusionnées ou supprimées, et comportent des indicateurs d’utilité ou de nocivité. Des évaluations hors ligne et en ligne, notamment sur AppWorld et FiNER, rapportent des gains de vitesse et de coût face à certaines méthodes, dont GEPA et Dynamic Cheatsheet. Sur AppWorld, ACE complet dépasse aussi des variantes qui adaptent le système sur plusieurs époques ou utilisent un Réflecteur dédié. La qualité du retour reste déterminante : un signal faible ou peu fiable peut amener l’agent à intégrer des règles erronées, puis à les reproduire. Un cas ponctuel sur AppWorld montre le risque : la taille d’un Dynamic Cheatsheet est passée de 18 282 tokens à 122, tandis que la précision rapportée est passée de 66,7 % à 57,1 %. Cette observation illustre qu’une réduction du playbook ne garantit pas, à elle seule, une meilleure précision.