用途：ACE 为 AI 智能体加入持久学习能力。传统智能体在会话结束后会遗忘一切，而 ACE 维护一个 Skillbook——从执行轨迹中提取策略的活策略集合。框架通过递归反思器（Recursive Reflector）编写并执行 Python 代码来分析轨迹、提取可操作的模式。
主要能力：包含四个核心概念——Skillbook（持久化的已学策略集合）、Agent（借助 Skillbook 策略执行任务）、Reflector（分析执行轨迹提取洞见）、SkillManager（增删与精修策略）。支持从反馈学习（learn_from_feedback）、从已有轨迹学习（learn_from_traces）、运行完整学习循环（run_epoch）以及批量轨迹分析（TraceAnalyser）。
使用方式：安装使用 uv add ace-framework，可选扩展包括 browser-use、langchain、logfire、mcp、deduplication。配置可运行 ace setup 或手动设置 OPENAI_API_KEY / ANTHROPIC_API_KEY 等环境变量，通过 LiteLLM 支持 100 多个模型提供商。典型用法是创建 ACELiteLLM(model="gpt-4o-mini")，调用 agent.ask() 执行任务，再通过 agent.learn_from_feedback() 提供纠正反馈，并可用 agent.save() 保存 Skillbook 到 JSON 以便后续加载。
适用场景：迭代式任务改进、多任务学习、浏览器自动化自提升、LangChain 链学习、历史轨迹批量分析，以及将 ACE 包装到已有的 PydanticAI 智能体上。
限制：文档未提供具体的收费与价格信息。轨迹必须为聊天格式（包含 role 与 content 的列表）。若未学到策略，需确认 enable_reflection 为 True 并提供明确反馈。反思过程可指定更便宜的模型以优化性能。部分托管 API 功能需在 kayba.ai 注册账户。