ACE 智能体经验学习引擎
让智能体把反馈与执行轨迹转成可复用策略。
按维度查看评分与理由
证据显示：README 提到沙盒环境用于递归反射器，但未提供具体权限控制细节；CLI 有交互式设置，但未明确用户确认机制；数据流透明度有限，仅提及追踪上传；敏感数据处理未明确；依赖项未固定版本，存在潜在安全风险；外部效果（如 API 调用）未明确说明；回滚机制未提及；来源归属仅通过作者字段，未验证。扣分原因：缺乏具体实现细节和验证。
证据显示：README 和 pyproject.toml 描述一致，但未提供代码级一致性验证；依赖项未固定版本，可用性存疑；失败消息未在文档中说明。扣分原因：静态审查无法验证执行，且文档未覆盖失败处理。
证据显示：README 明确目标受众为开发者，提供多种运行器和集成选项；能力边界通过运行器列表和可选依赖说明；触发精度通过 CLI 命令和 API 示例说明；环境适配通过 Python 版本和依赖要求说明。扣分原因：部分场景未详细说明，如生产环境部署。
证据显示：README 结构清晰，包含快速开始、文档链接、示例；安装说明明确；命名稳定（ACE、Skillbook 等）；提供示例和 FAQ 链接；已知限制未明确列出；许可证为 Apache-2.0；版本号和变更日志存在；维护责任通过贡献指南和作者信息说明。扣分原因：已知限制部分缺失。
证据显示：输出可用性通过 API 示例和 CLI 命令说明；边际价值通过基准测试和案例说明；成本效益通过 token 减少和低成本学习案例说明。扣分原因：这些声明未在静态审查中验证。
证据显示：README 引用论文和基准测试，但未提供可复现的详细数据；跨来源验证有限，仅依赖 README；事实与推断未明确区分。扣分原因：缺乏独立验证和详细数据。
- 依赖项未固定版本，存在供应链风险。
- 数据流和权限控制细节不足，需审查实际代码。
- 基准测试和成本声明未在静态审查中验证。
这个 Agent 能做什么，适合哪些场景？
Agentic Context Engine（ACE）是一个为现有 AI 智能体加入持续学习循环的开源 Python 引擎。它以持久化的 Skillbook 保存策略，并由 Agent、Reflector 和 SkillManager 分别执行任务、分析轨迹和维护策略。其 Recursive Reflector 会在沙箱环境中编写并运行 Python 代码，以检索执行轨迹中的模式、定位错误并形成可执行洞见。项目提供 ACELiteLLM、ACE、TraceAnalyser、BrowserUse、LangChain 和 ClaudeCode 等 runner，并支持将步骤组合成管线。它既可作为安装到 Python 项目中的库使用，也提供 ace、kayba 和 ace-mcp 命令；Kayba 则是该引擎背后的托管服务。
使用 ACELiteLLM 时，应用通过 .ask() 发起模型调用，再用 .learn_from_feedback() 将纠正信息交给 ACE；ACE 从反馈中提取策略并更新 Skillbook，后续 .ask() 会获得这些策略。对于已有日志，可调用 agent.learn_from_traces(your_existing_traces)，由 TraceAnalyser 类路径从预录制轨迹中提炼策略。完整学习流程可由 AgentStep、EvaluateStep、ReflectStep、UpdateStep 和 DeduplicateStep 组成，或用 learning_tail() 组合标准尾部步骤。Reflector 接收环境产生的 trace，Recursive Reflector 在沙箱中执行 Python 分析；SkillManager 随后新增、改写或删除 Skillbook 策略。CLI 可用 ace setup 配置模型和密钥、ace models 查询带价格信息的模型、ace validate 测试连接，并可通过 kayba 上传轨迹、获取洞见和管理 prompts。
- Python 应用开发者在问答或工具调用智能体收到人工纠正后，希望把纠正沉淀为后续请求可用的策略。
- 已有智能体运行日志的团队，希望不重跑任务，而是用 learn_from_traces() 从历史轨迹中提取可复用经验。
- 使用 browser-use 执行浏览器自动化的开发者，希望在重复运行中让自动化流程随策略积累而改进。
- 已经使用 LangChain chain 或 agent 的团队，需要以 LangChain runner 为现有工作流增加学习环节。
- 使用 Claude Code CLI 执行代码任务的工程团队，希望通过 ClaudeCode runner 对任务执行引入学习循环。
这个 Agent 有哪些优点和局限？
- 以持久化 Skillbook 保存策略，并用 Agent、Reflector、SkillManager 明确分工，而不是仅在单次对话内总结。
- Recursive Reflector 会在沙箱中编写和执行 Python 来分析轨迹，适合需要从复杂执行记录定位模式与错误的场景。
- 既支持轻量级 ACELiteLLM，也支持批量 epoch 的 ACE、历史轨迹学习、browser-use、LangChain 与 Claude Code runner。
- 管线以 requires/provides 契约、不可变上下文和错误隔离组织，且可通过 learning_tail() 或自定义步骤组合。
- 运行前必须配置模型提供商凭证并验证连接，实际运行依赖网络和外部 LLM 提供商。
- 学习环节会执行 Recursive Reflector 生成的 Python 代码，即使在沙箱内，采用方仍需评估这类执行模式是否符合自身运行治理要求。
- 提供的基准结果具有明确模型、任务和学习条件；资料没有证明这些提升会在所有智能体、模型或业务任务中复现。
- 所给材料未说明受支持的 Python 版本、Skillbook 的存储实现或完整的自托管部署运维要求。
如何安装或部署这个 Agent？
需要 Python、uv，以及一个受支持模型提供商的 API 密钥。安装：
uv add ace-framework推荐的交互式配置：
ace setup或手动设置凭证（以下为 OpenAI）：
export OPENAI_API_KEY="your-key"如需特定集成，可安装相应 extra：
uv add 'ace-framework[browser-use]'
uv add 'ace-framework[langchain]'
uv add 'ace-framework[mcp]'如何使用这个 Agent？
完成 ace setup 或设置 API 密钥后，可用以下最小示例验证学习流程：
from ace import ACELiteLLMagent = ACELiteLLM(model="gpt-4o-mini")
answer = agent.ask("Is there a seahorse emoji?")
agent.learn_from_feedback("There is no seahorse emoji in Unicode.")
answer = agent.ask("Is there a seahorse emoji?")
print(agent.get_strategies())也可执行 ace validate <model> 测试指定模型连接，或执行 ace models <query> 搜索可用模型及其价格。