Forscher hinter einem Projekt namens AgenticSTS sagen, sie hätten die langfristige Leistung von KI-Agenten im Kartenspiel Slay the Spire 2 verbessert, indem sie die übliche, ständig wachsende Chat-Historie durch ein strukturiertes Speichersystem ersetzt haben. In berichteten Tests, über die The Decoder berichtete, gewann der Agent 6 von 10 Durchläufen auf dem niedrigsten Schwierigkeitsgrad, als eine taktische Fähigkeitsschicht aktiviert war, während zwei öffentliche Vergleichsagenten, die auf traditionelles, transcript-lastiges Prompting setzten, ihren Angaben zufolge keinen ihrer Durchläufe gewinnen konnten.

Das Ergebnis ist über einen Spiele-Benchmark hinaus relevant, weil es einen praktischen Engpass für KI-Agenten adressiert: Lange Aufgaben sammeln tendenziell riesige Prompts an, was Kosten, Latenz und Fehlerraten erhöht. Die Kernthese von AgenticSTS lautet, dass ein Agent nicht seine gesamte Unterhaltung immer wieder mitführen muss, um über Hunderte von Schritten kohärent zu handeln. Stattdessen kann er jeden Prompt aus einem kompakten Satz von Speicher-Slots neu aufbauen, die nur bestimmte Arten von Informationen speichern.

Laut der Berichterstattung von The Decoder über die Arbeit stammen die Forscher von Alaya Lab, der Shanghai Jiao Tong University und anderen Institutionen. Sie nutzten Slay the Spire 2 als Testfall, weil ein Durchlauf viele aufeinanderfolgende Entscheidungen umfasst, die Regeln in Textform dargestellt werden können und Zufall robuste, aber fragile Strategien leichter sichtbar macht. Für Entwickler von KI-Systemen geht es in der Studie daher weniger darum, ein Spiel zu schlagen, als darum, ob Speicherarchitektur rohe Kontextvergrößerung ersetzen kann.

Warum Slay the Spire 2 ein nützlicher Stresstest ist

Slay the Spire 2 ist für Agentendesign ungewöhnlich gnadenlos. Ein einzelner Durchlauf kann Routenplanung, Deckbau, Kampftaktik, Ladenkäufe und Ereignisentscheidungen über Hunderte von Schritten hinweg umfassen. Das macht es zu einem besseren Test für Ausdauer und Planung als ein einmaliger Benchmark. The Decoder weist darauf hin, dass menschliche Spieler auf dem niedrigsten Schwierigkeitsgrad A0 laut den Entwicklern des Spiels etwa 16 Prozent der Zeit gewinnen, während Frontier-Modell-Agenten in der AGI-Eval-Bewertung Berichten zufolge in fünf getesteten Setups kein einziges Spiel gewonnen haben.

Dieser Hintergrund ist wichtig, weil die Forscher nicht behaupten, dass ein neues Modell das Spiel plötzlich gelöst habe. Ihre Argumentation ist enger und umsetzbarer: Dieselbe Klasse großer Sprachmodelle kann sich je nach Darstellung und Abruf ihrer Historie unterschiedlich verhalten.

Traditionelle Agentendesigns wie ReAct und Reflexion hängen Beobachtungen, Werkzeugausgaben und Selbstreflexion oft an den nächsten Prompt an. Dieses Muster ist leicht umzusetzen, erzeugt aber einen Prompt, der mit jedem Zug wächst. Je länger die Läufe werden, desto eher riskiert der Agent entweder, das Kontextlimit zu erreichen, oder seine Aufmerksamkeit über veraltete Informationen zu verteilen. Genau diesen Fehlermodus beschreiben viele Praktiker inzwischen als Kontextverfall.

Wie AgenticSTS Speicher neu organisiert

AgenticSTS verzichtet Berichten zufolge darauf, das rohe laufende Transkript an das Modell zu übergeben. Stattdessen wird jeder Entscheidungsprompt aus fünf Speicherebenen zusammengesetzt. The Decoder beschreibt sie als eine feste Instruktionsschicht, eine Schicht für den aktuellen Zustand, eine abgerufene Schicht für die Spielregeln, eine Zusammenfassungsschicht für frühere Läufe und eine Strategie-Fähigkeitsschicht, die wiederverwendbare taktische Regeln für wiederkehrende Situationen speichert.

Diese Trennung ist der zentrale Designbeitrag. Wenn Informationen aus einem vorherigen Schritt wichtig sind, müssen sie zunächst in einen dieser Speicher abgelegt werden. In der Praxis sieht das Modell dadurch einen kürzeren, kuratierten Prompt statt eines gigantischen Protokolls von allem, was es je getan hat. Die berichtete Prompt-Länge bleibt selbst spät im Lauf bei etwa 5.000 Tokens, während Baseline-Agenten, die die vollständige Historie erneut senden, in die Hunderttausende von Tokens wachsen.

Das gibt Forschern auch eine klarere Möglichkeit zu prüfen, was tatsächlich hilft. Statt „Speicher“ als einen vagen Block zu behandeln, können sie Ebenen ein- oder ausschalten. Im von The Decoder beschriebenen Hauptvergleich gewann ein Agent ohne Speicherebenen 3 von 10 Läufen. Das Hinzufügen der taktischen L5-Fähigkeitsbibliothek erhöhte das auf 6 von 10. Laut Artikel galt das sowohl für handgeschriebene als auch für aus Vorlagen erzeugte Fähigkeiten.

Das ist ein bemerkenswertes Ergebnis, doch die Forscher selbst scheinen vorsichtig gewesen zu sein, es zu hoch zu bewerten. Bei nur 10 Läufen pro Bedingung räumen sie Berichten zufolge ein, dass die Verbesserung teilweise auf Zufall beruhen könnte.

Die größten Gewinne könnten bei Kosten und Latenz liegen, nicht nur bei Siegen

Die sauberere Leistungsstory könnte eher operativ als rein benchmarkgetrieben sein. The Decoder berichtet, dass die öffentlichen Vergleichsagenten STS2MCP und CharTyr, die einen wachsenden Transkriptansatz verwenden, unter dem berichteten Setup in jeweils fünf Läufen keinen Sieg errangen. Noch auffälliger ist, dass sie Berichten zufolge 66 bis 90 Mal mehr Tokens pro erzieltem Punkt verbrauchten als AgenticSTS.

Ein genanntes Beispiel zeigt, warum. In STS2MCP soll ein Modellaufruf im späten Spiel etwa 527.000 Tokens erreicht haben, weil die gesamte Spielhistorie erneut gesendet wurde. AgenticSTS hielt dagegen den aktiven Nutzertext bei rund 5.000 Tokens. Der Artikel sagt außerdem, dass transcript-lastige Agenten etwa viermal länger brauchten, um dasselbe Niveau zu erreichen, wobei Provider-Statistiken 96 Prozent dieser Verlangsamung der Modelllatenz und nicht dem Orchestrierungs-Overhead zuschrieben.

Für Teams, die KI-Agenten in Unternehmensumgebungen bauen, könnte das die übertragbarere Lehre sein. Viele Produktions-Workflows leiden bereits in Anwendungsfällen wie Coding-Assistenten, Kundensupport, Recherche und Büroautomatisierung unter ausuferndem Kontext. Wenn strukturierter Speicher genug Kontinuität bewahren und gleichzeitig die Prompt-Größe drastisch senken kann, sind die Vorteile geringere Inferenzkosten, bessere Reaktionsfähigkeit und möglicherweise weniger Denkfehler durch verrauschte Historien.

Was die Evidenz stützt – und was nicht

Die Evidenz in dieser Geschichte stammt aus Medienberichten über die zugrundeliegende Forschung und nicht aus einem Produktlaunch oder einem unabhängigen Benchmark-Audit, daher ist Vorsicht geboten. The Decoder berichtet, dass die wichtigsten Kennzahlen auf insgesamt 50 Läufen beruhen, wobei nur eine spielbare Figur, Silent, und nur eine Spielversion getestet wurden. Das lässt offen, wie gut sich der Ansatz über Patches, Figuren oder andere langfristige Umgebungen hinweg verallgemeinern lässt.

Der Artikel sagt auch, dass es sich nicht um einen sauberen Vergleich „Äpfel mit Äpfeln“ gegen Transkriptakkumulation innerhalb derselben Codebasis handelte. STS2MCP und CharTyr unterscheiden sich von AgenticSTS sowohl bei der Weiterleitung und Bündelung von Entscheidungen als auch beim Umgang mit Speicher. Der Vergleich ist also zwar als Momentaufnahme der aktuellen öffentlichen Agentenlandschaft nützlich, isoliert strukturierten Speicher aber nicht als einzigen Grund für den Abstand.

Die Ergebnisse zum Transfer zwischen Modellen deuten ebenfalls darauf hin, dass der Speicher selbst möglicherweise weniger wiederverwendbar ist, als manche Entwickler hoffen. Die Forscher sollen einen von Gemini 3.1 Pro angesammelten Speicherstapel eingefroren und dann an Qwen 3.6-27B und Deepseek V4-Pro weitergegeben haben. Der durchschnittliche Score von Qwen 3.6-27B soll um 84,5 Prozent gestiegen sein, während der Score von Deepseek V4-Pro um 18,1 Prozent fiel. Keines der Modelle gewann ein Spiel. Sollte sich diese Erkenntnis bestätigen, könnten Speicherformate an das Modell angepasst werden müssen, das sie erzeugt und nutzt.

Dennoch scheint das Projekt einen nützlichen Beitrag zur Reproduzierbarkeit zu leisten. The Decoder sagt, das Team veröffentliche 298 vollständige Spielverläufe, eingefrorene Speicher-Snapshots und Evaluierungsskripte auf Hugging Face. Das sollte es externen Gruppen erleichtern, alternative Speicherdesigns zu testen, ohne die Umgebung von Grund auf neu aufbauen zu müssen.

Warum das für KI-Agenten und Enterprise-KI wichtig ist

Die breite Implikation ist, dass bessere KI-Agenten weniger von immer größeren Kontextfenstern und mehr von explizitem Speichermanagement kommen könnten. Das verschiebt das Engineering-Problem. Statt zu fragen, wie man mehr Tokens in ein Modell packt, können Teams fragen, welche Informationen langfristig gespeichert werden sollten, wie sie zusammengefasst werden sollten, wann sie abgerufen werden sollten und welche Entscheidungen frischen Zustand gegenüber dauerhaften Fähigkeiten erfordern.

Das passt zu einer breiteren Bewegung im Markt. The Decoder verweist auf Anthropic-Arbeiten an Memory Tool und Context Editing, die darauf abzielen, veraltete Werkzeugergebnisse aus dem Live-Kontext zu entfernen und dauerhafte Informationen in externen Speicher auszulagern. Außerdem werden GAM und Mastra als weitere Ansätze erwähnt, Speicher außerhalb des Roh-Prompts zu verwalten. Diese Projekte unterscheiden sich in der Umsetzung, folgen aber demselben Grundgedanken: Kontext unkontrolliert wachsen zu lassen ist für langlaufende KI-Agenten oft die falsche Standardeinstellung.

Für Käufer von Enterprise-KI bedeutet das, dass Beschaffungsfragen über die Modellqualität hinausgehen sollten. Teams, die eine Agentenplattform evaluieren, sollten fragen, wie sie Speicherkomprimierung, Abruf, Schemas design und Nachvollziehbarkeit handhabt. Eine auffällige Demo auf Basis riesiger Prompts kann scheitern, wenn Workflows sich über Hunderte von Aktionen erstrecken oder Inferenzbudgets enger werden.

Für Forscher bietet Slay the Spire 2 einen nützlichen Zwischen-Benchmark zwischen Spielzeugaufgaben und unordentlichem Realwelt-Deployment. Es ist strukturiert genug für kontrollierte Studien, aber lang genug, um Fehler in Planung und Speicher offenzulegen. Wenn sich der Ansatz von AgenticSTS in mehr Umgebungen reproduzieren lässt, könnte er beeinflussen, wie Coding-Assistenten-Systeme, Browser-Agenten und Werkzeuge zur Automatisierung von Geschäftsprozessen aufgebaut werden.

Worauf man als Nächstes achten sollte

Das nächste Signal ist eine unabhängige Replikation. Wenn externe Forscher mit den Hugging-Face-Artefakten die Gewinnraten, Token-Einsparungen und Latenzverbesserungen reproduzieren können, wird die Behauptung zur Speicherarchitektur glaubwürdiger.

Ein zweites Signal ist eine strengere Ablation. Der aufschlussreichste Folgeschritt wäre ein Vergleich von AgenticSTS mit einer baseline, die Transkripte im selben Codebase ansammelt, mit demselben Modell, derselben Weiterleitung und derselben Bewertung.

Drittens sollte man auf breitere Generalisierung achten. Ergebnisse mit weiteren Slay the Spire 2-Figuren, späteren Patches oder anderen langfristigen Aufgaben würden mehr darüber aussagen, ob das Design robust oder nur benchmark-spezifisch ist.

Schließlich lohnt es sich, die Produktisierung im Blick zu behalten. Wenn Framework-Anbieter oder Modellunternehmen ähnliche Muster strukturierten Speichers übernehmen, könnten Konzepte, die derzeit in der Forschung getestet werden, schnell in kommerzielle KI-Agenten, Enterprise-KI-Stacks und Entwicklertools einfließen.

Creati.ai-Perspektive

Der wichtigste Teil dieser Geschichte ist nicht, dass ein Agent eine Handvoll Spielverläufe gewonnen hat. Es ist, dass die Forscher Speicher als erstklassiges Systemdesignproblem behandeln und nicht als Nebeneffekt des Chats. Genau dort brechen viele eingesetzte KI-Agenten immer noch zusammen: Sie verwechseln Persistenz mit Wiederholung, sodass jeder neue Schritt zu viel irrelevante Vergangenheit mit sich herumschleppt.

Wenn sich die Ergebnisse von AgenticSTS bestätigen, stützen sie eine Sichtweise, die viele Entwickler bereits vermuten: Rohes Kontextvolumen ist ein teurer Ersatz für strukturierten Zustand. In der Praxis könnte die nächste Welle zuverlässiger KI-Agenten also weniger allein von größeren Modellen abhängen, sondern mehr von disziplinierten Speicherebenen, Abrufrichtlinien und Werkzeugen, die Kontextverfall verhindern, bevor er beginnt.