ALTK-Evolve 用学习到的记忆让 GPT-4.1 客服智能体登顶 τ²-bench 零售榜

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，并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。同一个模型同时驱动准则提取和智能体；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，该场景的成功需要遵循领域策略、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，并配备一组领域工具（查询订单、发放退款、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（与驱动智能体的同一模型）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。与这一理念一致，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——即它被提取自的不同训练任务的数量，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 次成功处理退款，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均有提升——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）。而且这些提升来自更明智的决策，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

两个领域对于多少指导量划算存在分歧。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，而你需要完整的 lossless 集合才能实现真正的跃升。在航空中，情况在可靠性一端发生反转：lossless 在准确率上领先（65% 对 60%），但紧凑的 sup3 核心集（14 条准则）更可靠，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，而不是一个硬编码的值。

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 上，而不是在更长、更漫无边际的对话中：

图 2. 在完整 base 划分上，按领域和指南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 和指南变体两者下都解决的任务运行——场景和种子完全相同，是真正的“同一任务、正确完成”集合——并统计两侧的 assistant 轮次。

表 4. 在测试划分上，两种设置下均解决的任务匹配运行的每次对话 assistant 轮次，汇总四次试验。

agent 并没有说得更久——在共享集上，指南让对话略微更短：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。这意义不止于成本：每一轮都是一次顺序 LLM 往返，因此更少的轮次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 调用都携带更大的系统提示：retail 的 292 条指南提示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提示缓存回收，因为指南块在每次调用中都完全相同。

所以这笔权衡是有利的：以略高的输入成本（实践中大部分被缓存抵消）为代价，agent 同时实现了更高的准确率、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权衡，而是三者同时朝正确方向移动。

学习到的指南也能提升使用前沿模型的 agent

到目前为止，我们使用的是较旧的、非推理模型——gpt-4.1。一个合理的反对意见是：学习到的指南对使用前沿模型的 agent 可能帮助不大：也许它们只是弥补较弱模型的短板。因此我们直接进行了测试——我们使用gpt-5.5 同时用于 agent 和指南提取，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指南。有一个细节随模型而变化：在此设置中提取的指南均未达到 support ≥ 3（最高为 support 2），因此这里的高支持核心是 sup2 而非 sup3。

表 5. gpt-5.5 agent 在 airline 上的留出性能，每个任务四次试验。

学习到的指南同样改善了这一设置。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 个百分点（72.5 → 82.5），严格的 Pass^4 提升 15 个百分点（55.0 → 70.0）——在这些任务上，这比我们观察到的 gpt-4.1 带来的可靠性提升更大（+10 个百分点），而且起点高得多。在模型周围学习指南，即使智能体从更强的基线出发，也能使其得到改善。而且，当基线的可靠性在多次重跑之间波动时，无损配置能够精确复现——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，提交结果在完整基础划分（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有所不同。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 个百分点。
• 航空：使用 gpt-5.5 时第 1 名，使用 gpt-4.1 时第 8 名 与已公布的榜单相比，紧凑的 sup3 core 使使用 gpt-4.1 的智能体达到 Pass^4 = 44%——第 8 名，超过 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 运行结果与 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在不同基础模型上都有效——在零售领域将使用较旧、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 在两个领域中都改进了现成模型上的现成智能体——并在零售领域达到或超过微调系统——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