不更新权重也能登顶客服基准

最近看到 IBM 研究团队的一个工作挺有意思：他们让一个基础的 ReAct 智能体配合 GPT-4.1，在 τ²-bench 这个客服场景基准上拿到了零售类目的第一名，而且全程没有更新任何模型权重。换句话说，能力提升不是靠再训练，而是靠一套「学出来的记忆」——把经验沉淀成可复用的操作手册，在推理时调用。

这个思路对做跨境客服自动化的团队很有参考价值。我们平时最头疼的不是模型不够聪明，而是它不懂平台规则、退款政策、物流时效这些「业务常识」，每次都要在提示词里塞一大段说明。ALTK-Evolve 的做法是把这些指导原则变成可学习、可演化的 playbook，让智能体自己积累并应用，相当于给通用模型外挂了一个会成长的业务大脑。几个值得注意的结论：
- 指导原则既能提升能力也能提升可靠性，但最佳指导量因领域而异，给太多反而可能拖累表现。
- 性能提升主要来自消耗更多 token，而不是更多交互轮次，说明关键在于「想得更细」而非「问得更多」。
- 学到的指导原则对使用前沿模型的智能体同样有效，不局限于某个特定模型。
- 在排行榜对比中，ALTK-Evolve 直接登顶，验证了这条路径的可行性。我的判断是，这条路对中小出海团队比微调更友好：不用攒标注数据、不用养 GPU 集群，把业务规则和失败案例整理成结构化经验，就能持续迭代智能体表现。当然代价是推理成本会上去，token 消耗增加意味着单次会话更贵，需要结合客单价和人工替代率算账。另一个启发是「记忆」的工程化。过去大家把记忆当成向量库检索，这里更像把记忆编译成策略。如果这套 playbook 能版本化管理、能人工审核回滚，那它在合规敏感的跨境场景里就有落地空间。接下来我会关注它能否迁移到多语言客服和售后纠纷处理这类更复杂的任务上。