为 AI Agent 提供持久化学习循环的框架，通过策略注入使 Agent 从经验中自我改进，无需微调或向量数据库。
ACE（Agentic Context Engine）是一个开源框架，旨在解决 AI Agent 无法从经验中持续学习的问题。其核心机制是将 Agent 执行轨迹中的成功与失败模式提炼为可复用的文本策略，存储在 Skillbook 中，后续任务通过 BM25 检索自动注入 Prompt，实现纯 in-context learning 范式下的行为改进。
框架由三大角色驱动学习循环：Agent 执行任务并被策略增强；Reflector 在沙箱中程序化分析轨迹、提取洞察；SkillManager 管理策略的生命周期，含泛化门控与去重机制。底层基于 PydanticAI + LiteLLM，支持 100+ LLM 提供商。Pipeline 引擎采用框架无关设计，步骤间通过 requires/provides 契约连接，支持不可变上下文与错误隔离。
提供多种 Runner 适配器（ACELiteLLM、ACE、TraceAnalyser、BrowserUse、LangChain、ClaudeCode），覆盖从简单问答到浏览器自动化、代码迁移等场景。在 τ2-bench 基准上 pass⁴ 一致性翻倍，浏览器自动化 Token 消耗降低约 49%。以 MIT 许可开源，Python >= 3.12，当前 Beta 阶段（v0.12.0）。Kayba.ai 同时提供托管 SaaS 方案。
安装：uv add ace-framework
快速使用：
from ace import ACELiteLLM
agent = 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?") # 已学习策略
print(agent.get_strategies())
可选扩展：browser-use、langchain、logfire、mcp、deduplication、all。
CLI 命令：ace setup（交互式配置）、ace models <query>（搜索模型）、ace validate <model>（测试连接）、ace config（显示配置）、ace-mcp（MCP 服务器）。
待确认：ACE 论文具体 arXiv/DOI 链接、PyPI 页面 URL、文档站公开地址、"Dynamic Cheatsheet" 来源。