智能体上下文引擎（Agentic Context Engine，ACE）

 

人工智能代理会随着每次任务的完成而变得更加智能🧠

Agentic Context Engine 会从代理的成功和失败中学习。只需接入系统，即可见证代理的改进。

如果你觉得这个仓库有用，请给它点个星⭐️！

---

🤖 LLM快速入门

1. 将您最喜欢的编码代理（Cursor、Claude Code、Codex 等）指向Agents.md
2. 立即行动！

---

✋ 快速入门

1. 安装

pip install ace-framework

 

2. 设置您的 API 密钥

export OPENAI_API_KEY="your-api-key"
# Or use Claude, Gemini, or 100+ other providers

 

3. 创建您的第一个 ACE 代理

from ace import LiteLLMClient, Generator, Playbook, Sample# Initialize with any LLM
llm = LiteLLMClient(model="gpt-4o-mini")
generator = Generator(llm)# Use it like a normal LLM (no learning yet)
result = generator.generate(question="What is 2+2?",context="Be direct"
)
print(f"Answer: {result.final_answer}")

 

就是这样！现在让我们让它学习和改进吧：

from ace import OfflineAdapter, Reflector, Curator, SimpleEnvironment# Create ACE learning system
playbook = Playbook()
adapter = OfflineAdapter(playbook=playbook,generator=generator,reflector=Reflector(llm),curator=Curator(llm)
)# Teach it from examples (it learns patterns)
samples = [Sample(question="What is 2+2?", ground_truth="4"),Sample(question="Capital of France?", ground_truth="Paris"),
]results = adapter.run(samples, SimpleEnvironment(), epochs=1)
print(f"✅ Learned {len(playbook.bullets())} strategies!")# Now use the improved agent
result = generator.generate(question="What is 5+3?",playbook=playbook  # ← Uses learned strategies
)
print(f"🧠 Smarter answer: {result.final_answer}")# Save and reuse later
playbook.save_to_file("my_agent.json")

 

🎉您的智能代理变得更智能了！它从示例中学习并不断改进。

还想了解更多？请查看：

• 📘包含自定义环境的完整示例
• 🌊海马表情符号挑战演示
• 📚 ACE完整指南

---

为什么选择 Agentic Context Engine (ACE)？

人工智能代理会反复犯同样的错误。

ACE 使智能体能够从执行反馈中学习：哪些有效，哪些无效，并持续改进。
无需训练数据，无需微调，即可实现自动改进。

明确收益

• 📈性能提升 20-35%：在复杂任务中已证实性能提升显著
• 🧠自我提升：智能体在每次任务中都会变得更聪明
• 🔄无上下文折叠：长期保存宝贵知识
• 🚀 100+ 家 LLM 提供商：与 OpenAI、Anthropic、Google 等合作
• 📊生产环境可观测性：内置 Opik 集成，用于企业监控

---

演示

🌊 海马表情符号挑战

这项挑战中，LLM（语言学习大师）经常会产生幻觉，认为海马表情符号存在（实际上并不存在）。观看 ACE 如何实时从自身错误中学习。此演示展示了 ACE 如何应对这项臭名昭著的挑战！

在这个例子中：

• 第一轮：代理错误地输出了🐴（马的表情符号）
• 自我反思：ACE无需任何外部反馈即可进行反思。
• 第二轮：利用从ACE中学习到的策略，智能体成功识别出没有海马表情符号。

自己试试：

python examples/kayba_ace_test.py

 

---

Agentic Context Engine (ACE) 的工作原理是什么？

基于斯坦福大学和SambaNova的ACE研究框架。

ACE 使用三个专门的角色协同工作：

1. 🎯 生成器- 使用从剧本中学习到的策略执行任务
2. 🔍 反思器- 分析每次执行后哪些有效哪些无效。
3. 📝 策展人- 根据反思更新策略手册

ACE 教导你的代理人并使其内化：

• ✅ 成功案例→ 提取有效模式
• ❌失败案例→ 学习如何避免失败
• 🔧 工具使用→ 了解哪些工具最适合哪些任务
• 🎯 特殊情况→ 记住罕见情况以及如何处理它们

神奇之处在于“策略手册” ——一份随着经验不断演进的动态策略文档。
关键创新：所有学习都通过增量更新在情境中发生——无需微调，无需训练数据，并且完全透明地展现智能体学习到的内容。

 

 

---

安装选项

# Basic installation
pip install ace-framework# With demo support (browser automation)
pip install ace-framework[demos]# With LangChain support
pip install ace-framework[langchain]# With local model support
pip install ace-framework[transformers]# With all features
pip install ace-framework[all]# Development
pip install ace-framework[dev]# Development from source (contributors) - UV Method (10-100x faster)
git clone https://github.com/kayba-ai/agentic-context-engine
cd agentic-context-engine
uv sync# Development from source (contributors) - Traditional Method
git clone https://github.com/kayba-ai/agentic-context-engine
cd agentic-context-engine
pip install -e .

 

配置

ACE 通过 LiteLLM 与任何 LLM 提供商合作：

# OpenAI
client = LiteLLMClient(model="gpt-4o")# Anthropic Claude
client = LiteLLMClient(model="claude-3-5-sonnet-20241022")# Google Gemini
client = LiteLLMClient(model="gemini-pro")# Ollama (local)
client = LiteLLMClient(model="ollama/llama2")# With fallbacks for reliability
client = LiteLLMClient(model="gpt-4",fallbacks=["claude-3-haiku", "gpt-3.5-turbo"]
)

 

Opik的可观测性

ACE 内置了 Opik 集成，用于生产监控和调试。

快速入门

# Install with Opik support
pip install ace-framework opik# Set your Opik API key (or use local deployment)
export OPIK_API_KEY="your-api-key"
export OPIK_PROJECT_NAME="ace-project"

 

追踪哪些内容

当 Opik 可用时，ACE 会自动记录：

• 生成器：输入问题、推理过程和最终答案
• 反射器：误差分析和弹道分类
• 策展人：剧本更新和增量操作
• 战术手册演变：战略随时间的变化

查看痕迹

# Opik tracing is automatic - just run your ACE code normally
from ace import Generator, Reflector, Curator, Playbook
from ace.llm_providers import LiteLLMClient# All role interactions are automatically tracked
generator = Generator(llm_client)
output = generator.generate(question="What is 2+2?",context="Show your work",playbook=playbook
)
# View traces at https://www.comet.com/opik or your local Opik instance

 

优雅的降级

如果未安装或配置 Opik，ACE 仍可正常运行，无需进行跟踪。无需更改代码。

---

📊 基准测试

使用我们全面的基准测试套件，以科学严谨的方式评估 ACE 的性能。

快速基准测试

# Compare baseline vs ACE on any benchmark
uv run python scripts/run_benchmark.py simple_qa --limit 50 --compare# Run with proper train/test split (prevents overfitting)
uv run python scripts/run_benchmark.py finer_ord --limit 100# Baseline evaluation (no ACE learning)
uv run python scripts/run_benchmark.py hellaswag --limit 50 --skip-adaptation

 

可用基准

基准	描述	领域
简单问答	问答系统（SQuAD）	一般的
更精细的秩序	金融命名实体认可	金融
mmlu	大规模多任务语言理解	常识
hellaswag	常识推理	常识
arc_easy/arc_challenge	AI2推理挑战	推理

评估模式

• ACE模式：训练/测试集划分并进行学习（展现真正的泛化能力）
• 基线模式：直接评估，不进行学习（--skip-adaptation）
• 对比模式：并排比较基线与ACE（--compare）

基准测试系统通过自动 80/20 训练/测试集划分来防止过拟合，并提供过拟合分析以确保指标的真实性。

→ 完整基准测试文档

---

文档

• 快速入门指南- 5 分钟即可开始跑步
• API 参考- 完整的 API 文档
• 示例- 可直接运行的代码示例
• ACE框架指南- 深入探索智能体上下文工程
• 提示工程- 高级提示技术
• 更新日志- 查看最近的更改

---

贡献

我们欢迎投稿！请查看我们的投稿指南以开始投稿。

---

致谢

基于ACE 论文，并受到Dynamic Cheatsheet的启发。

如果您在研究中使用了ACE，请引用：

@article{zhang2024ace,title={Agentic Context Engineering},author={Zhang et al.},journal={arXiv:2510.04618},year={2024}}