ALTK-Evolve 用 GPT-4.1 加记忆登顶 τ²-bench 客服榜
IBM 研究团队发布 ALTK-Evolve：不更新模型权重，仅靠 GPT-4.1 自动从任务尝试中提炼行为规则并追加到系统提示，就让标准 ReAct 客服 Agent 在 τ²-bench 零售域达到 67.5% Pass^4（四次独立尝试全部成功），高于 2026 年 10 月 12 日榜单快照中所有零售条目。规则由同一模型从成功与失败案例中蒸馏，无需人工标注。τ²-bench 由 Sierra 提出，要求 Agent 在政策约束下完成下单、退款、改签等操作，最终数据库状态匹配才算通过。
推荐理由不换模型、不微调，只加一段自动学到的提示词就把 GPT-4.1 拉到榜首，做客服 Agent 可直接复用这套思路