IBM ALTK-Evolve：不改权重、只往提示里加学来的规则，GPT-4.1 客服智能体在 τ²-bench 零售上 Pass^4 达到 67.5%
从智能体的成功和失败里提炼行为规则、写回系统提示，老模型也能在可靠性上超过榜单上的零售条目。
// 要点
- 用较老的非推理模型 GPT-4.1 和 τ²-bench 自带的 ReAct 框架，零售域 Pass^4（四次独立尝试全对）从 57.5% 升到 67.5%，高于 10 月 12 日榜单快照里的所有零售条目。
- 零售域平均准确率从 78.1% 升到 82.5%；航空域从 57.5% 升到 65.0%。
- 规则数量要按领域调：零售用全部 292 条最好；航空只保留 14 条高支持度规则时 Pass^4 最高，为 45%，全部 101 条时为 40%。
- 规则提炼和智能体使用同一个模型，不需要更新权重或人工标注。
开发者视角这和我在《在智能体系统中设计回退机制与人工确认：一份实践清单》里的思路一致：先把失败案例变成明确规则，比换更贵的模型划算。我会给每个上线的智能体留一份失败记录，定期提炼成规则写回提示，同时盯住 Pass^4 这类「每次都对」的指标，而不只看平均分。