ALTK-Evolve 用学习记忆让 GPT-4.1 客服智能体登顶 τ²-bench

ALTK-Evolve 使用 GPT-4.1 学习并应用一套操作手册，在客户服务智能体基准 τ²-bench 上超越了所有零售类条目——且无需更新模型权重。

学习到的记忆让基于 GPT-4.1 的基础 ReAct 智能体登顶

使用 GPT-4.1 这一较旧的、非推理模型，一个基础的客户服务智能体在 τ²-bench 零售任务上达到 67.5% 的 Pass^4——这意味着对于 67.5% 的任务，它在全部四次独立尝试中均成功解决。其得分高于我们 2026 年 10 月 12 日排行榜快照中的每一个零售类条目。它运行在基准自带的 ReAct 脚手架上，仅将学习到的准则附加到其系统提示中。

ALTK-Evolve 使用 GPT-4.1 构建该操作手册。它分析智能体在训练任务上的尝试，并利用该模型将成功与失败提炼为简短的行为规则：如何验证客户身份、确认交易或处理退货。随后这些准则被添加到智能体的提示中，用于后续对话。同一个模型既驱动准则提取，也驱动智能体本身；无需权重更新或人工标注。

我们之前的工作在编码智能体上展示了这一方法。在这里，我们在客户服务场景中对其进行测试，该场景要求成功必须遵循领域策略、理解客户请求并执行正确的工具操作。

τ²-bench 测试受策略约束的客户服务

τ²-bench（来自 Sierra）衡量智能体在真实约束下处理客户服务对话的能力。每个任务将智能体与一个由 LLM 模拟的客户配对，该客户有明确目标，同时提供一组领域工具（查询订单、发起退款、改签航班）以及一份智能体必须遵循的书面策略文档。智能体必须引出正确的细节、遵守策略，并采取正确的——往往不可逆的——操作；只有当最终数据库状态与预期结果匹配时，任务才算解决，这是一种严格的二元奖励。我们使用其两个客户服务领域：零售和航空。

我们运行 τ²-bench 自带的基础 ReAct 智能体实现，采用两阶段 THINK → ACT 循环，使用 gpt-4.1 作为智能体模型，gpt-5.5 作为客户模拟器模型；每个任务 4 次试验。我们唯一的改动是在系统提示后附加一组学习到的准则——其他一切（策略、工具、脚手架）均为 τ²-bench 原生。具体而言，学习到的准则以纯 markdown 列表形式附加在领域策略之后：

You are a customer service agent that helps users according to the policy below.
Always follow the policy strictly. Use the provided tools when needed.

<policy>
# Retail agent policy

As a retail agent, you can help users:
- cancel or modify pending orders
- return or exchange delivered orders
- modify their default user address
…
</policy>

## Guidelines learned from past task attempts (follow these carefully):
- Authenticate the user before taking any order-related action. If email is unavailable, verify identity via full name and zip code using the find_user_id_by_name_zip API.
- Always confirm all intended changes (modify, cancel, return, exchange) with a clear, structured summary, and require explicit user approval before executing any database-updating action.
- When processing a return or exchange, communicate the refund with an itemized breakdown and clarify refund timing — don't wait for the user to ask.
- Take one action per step: never combine a tool call with a user-facing message in the same turn, and wait for the tool's result before replying.
- Before looking a user up, parse and clean their name — e.g. split a combined handle like `daiki_johnson_9523` into first/last name — and after a couple of failed lookups, state the exact format you need.
…

我们使用 gpt-4.1（与驱动智能体相同的模型）从智能体在 τ²-bench 训练任务上的轨迹中提取准则，然后将其原样应用于留出的测试集。

准则提升能力与可靠性

在之前的文章中，我们讨论了不同模型/任务需要不同剂量的指导。基于这一思路，我们还评估了向模型提供不同数量的准则。

每条准则都带有一个支持度计数——即它被提取自多少个不同的训练任务，因此支持度越高，意味着这条规则在更多任务上具有泛化性，而非一次性的。我们比较三种配置：baseline（无准则）、sup3（仅保留支持度 ≥ 3 的准则——一个小而高置信度的核心集），以及lossless（保留合并后留存的所有准则，即支持度 ≥ 1）。

表 1. 各领域的准则配置与保留准则数量。

我们追踪的指标。每个任务尝试 4 次，我们从两个角度解读这些试验：

• 平均准确率——4 次试验的平均成功率。这是能力轴：智能体有多经常做对？
• Pass^4——在全部 4 次试验中都通过的任务百分比。这衡量的是可靠性轴，也是 τ²-bench 排行榜报告的指标。它在这里很重要，因为一个客服智能体即使 4 次中有 3 次解决了退款问题，仍会让四分之一的真实客户失望——Pass^4 问的是你能否每一次都信任该智能体，而不仅仅是平均而言。

图 1. 使用 gpt-4.1 的智能体在留出的零售和航空任务上、每个任务四次试验的平均准确率和 Pass^4。

智能体模型：gpt-4.1（用户模拟器：gpt-5.5）。

表 2. 使用 gpt-4.1 的智能体在留出任务上、每个任务四次试验的性能。括号内为相对 baseline 的百分点变化。

平均准确率在两个领域都有提升——零售 +4.4 个百分点（78.1 → 82.5），航空 +7.5 个百分点（57.5 → 65.0）。可靠性提升更大：严格的 Pass^4 在零售上升 +10 个百分点（57.5 → 67.5），在航空上升 +10 个百分点（35.0 → 45.0）。而且这些提升来自信息更充分的调用，而非更长的对话——我们在下文的更好的性能消耗更多 token，而非更多轮次中直接考察对话长度。

最佳指导量取决于领域

两个领域在多少指导量才有回报上意见不一。在零售中，每个指标都是越多越好——小的 sup3 核心集在准确率上仅略胜 baseline，你需要完整的 lossless 集才能实现真正的跃升。在航空中，情况在可靠性一端反转：lossless 在准确率上领先（65% 对 60%），但紧凑的 sup3 核心集（14 条准则）是更可靠的那个，将 Pass^4 提升至 45%，而 lossless 为 40%。这呼应了早先的发现——交付是一个旋钮，而非常量——支持度计数是一个值得按领域调优的旋钮，而非一个应硬编码的值。

更好的性能消耗更多 token，而非更多轮次

准则并非免费，但成本落在你预期的地方——在提示输入 token中，而非在更长、更漫无边际的对话中：

图 2. 在完整 base 划分上，按领域和 guideline 配置统计的每次对话 LLM 总成本。

表 3. 在完整 base 划分上，四次试验中每次对话（agent 与用户模拟器）的 LLM 总成本。越低越好。

agent 是靠说得更久才做到的吗？为了干净地回答这个问题，我们做同类对比：取在 baseline 和 guideline 变体两者下都解出的任务运行——场景和种子完全相同，是真正的“同一任务、正确完成”集合——然后统计双方的 assistant 轮次。

表 4. 在测试划分上，两种设置下都解出的匹配运行中每次对话的 assistant 轮次，汇总四次试验。

agent 并没有说得更久——在共享集合上，guidelines 让对话略微更短：lossless 在两个领域都减少了约 0.3–0.4 轮（retail 10.59 → 10.16，airline 9.15 → 8.82），且没有任何变体使其变长。这一点的影响不止于成本：每一轮都是一次顺序的 LLM 往返，因此轮次更少意味着更低的端到端延迟——对客户而言更快的完成时间，而不只是更便宜。唯一真正的代价在输入侧——每次 LLM 调用都携带更大的 system prompt：retail 的 292 条 guideline prompt 将每次对话成本从约 $0.084 推高到约 $0.139，而 airline 较小的 playbook 更便宜。在生产环境中，即便这部分也基本可以通过 prompt caching 收回，因为 guideline 块在每次调用中都是相同的。

所以这笔交易是划算的：以略高的输入成本（实践中大部分会被缓存掉）为代价，agent 同时获得了更高的准确率、更高的可靠性以及更低的完成时间——这不是常见的用质量换延迟的取舍，而是三者同时朝正确方向移动。

学习到的 guidelines 也能提升使用前沿模型的 agent

到目前为止，我们使用的是一款较旧的、非推理模型——gpt-4.1。一个合理的反对意见是：学习到的 guidelines 对使用前沿模型的 agent 可能帮助不大：也许它们只是弥补较弱模型的短板。因此我们直接做了测试——我们使用gpt-5.5 同时用于 agent 和 guideline 提取，在相同的 τ²-bench ReAct 脚手架上重新运行了 airline，并从 agent 自身的运行中重新挖掘 guidelines。有一个细节随模型而变：此设置下提取的 guidelines 没有任何一条达到 support ≥ 3（最高为 support 2），因此这里的高 support 核心是 sup2 而非 sup3。

表 5. gpt-5.5 agent 在留出 airline 任务上的表现，每个任务四次试验。

学习到的指南同样能改善这一设置。在相同的留出测试任务上，将它们追加到提示中可使准确率提升 10 分（72.5 → 82.5），并使严格的 Pass^4 提升 15 分（55.0 → 70.0）——在这些任务上，这一可靠性提升比我们观察到的 gpt-4.1 带来的提升（+10 分）更大，而且起点要高得多。在模型周围学习指南，即使智能体一开始就处于更强的基线，也能使其得到改善。而且，基线的可靠性在多次重跑之间会波动，而无损配置则能精确复现——它带来的提升是可靠的，而非侥幸。

ALTK-Evolve 在排行榜对比中位居榜首

按照 τ²-bench 的要求，提交内容在完整基础划分（训练集 ∪ 测试集）上评分，并以 Pass^4 报告。由于这覆盖的是完整任务集而非留出测试划分，这些数字与上文报告的测试任务数字不同。实际效果正体现在这里——提示级记忆将使用各基础模型的智能体带入或超越当前前沿公司的水平：

• 零售：第 1 名。在基础划分上，使用学习到的指南的智能体达到 Pass^4 = 67.5%，领先于所有前沿模型，并且领先于 RAFT-30B-A3B（61.4%），后者是一个在合成 τ²-bench 零售数据上微调过的模型。使用现成的 gpt-4.1 和追加到提示中的操作手册，它比该微调系统高出 +6.1 分。
• 航空：使用 gpt-5.5 时第 1 名，使用 gpt-4.1 时第 8 名 对照已公布的榜单，紧凑的 sup3 core 使使用 gpt-4.1 的智能体达到 Pass^4 = 44%——第 8 名，击败 GPT-5.2（无推理），并几乎追平 Claude Sonnet 4.5。换用更强的基座后，同样的方法直接登顶：使用 gpt-5.5 的智能体达到 82.0%，超过所有前沿条目（66–72%）。

图 3. ALTK-Evolve 各次运行与 2026 年 10 月 12 日 τ²-bench 排行榜快照的 Pass^4 对比。

两个领域传达的信息相同：在模型周围学习指南可在不同基础模型上奏效——在零售领域将使用较旧的非推理模型的智能体带入前沿水平，在航空领域将使用前沿模型的智能体带到榜首。

智能体无需更新权重即可改进

在基准上微调模型成本高昂、脆弱，且无法迁移到下一个领域。在这里，ALTK-Evolve 在两个领域中都改善了现成模型上的现成智能体——并在零售领域追平或超越微调系统——仅使用从智能体自身运行中提取的提示级指南，自动完成，无需人工标注，也没有任何测试集泄漏。

链接：

• Prior posts
  1. 想到 ACE？我们可以用更少的 token 做到
  2. 你的智能体实际需要多少记忆？
• ALTK-Evolve 库 — https://github.com/AgentToolkit/altk-evolve
• τ²-bench — https://github.com/sierra-research/tau2-bench
• 零售排行榜提交 — τ²-bench PR #542
• 航空排行榜提交 - τ²-bench PR #551