Investigadores detrás de un proyecto llamado AgenticSTS dicen que han mejorado el rendimiento a largo plazo de un agente de IA en el juego de cartas Slay the Spire 2 al reemplazar el historial de chat, normalmente cada vez más grande, por un sistema de memoria estructurada. En pruebas reportadas y cubiertas por The Decoder, el agente ganó 6 de 10 partidas en la dificultad más baja del juego cuando se habilitó una capa de habilidad táctica, mientras que dos agentes públicos de comparación que usaban un prompting tradicional basado en transcripciones, según se informó, no lograron ganar ninguna de sus partidas.

El resultado importa más allá de un benchmark de juego porque aborda un cuello de botella práctico para los agentes de IA: las tareas largas tienden a acumular prompts enormes, lo que eleva el costo, la latencia y las tasas de error. La afirmación central de AgenticSTS es que un agente no necesita seguir reproduciendo toda su conversación para actuar con coherencia durante cientos de pasos. En su lugar, puede reconstruir cada prompt a partir de un conjunto compacto de ranuras de memoria que almacenan solo tipos específicos de información.

Según el informe de The Decoder sobre el trabajo, este proviene de Alaya Lab, la Shanghai Jiao Tong University y otras instituciones. Los investigadores usaron Slay the Spire 2 como caso de prueba porque una partida implica muchas elecciones secuenciales, las reglas pueden representarse en texto y el azar hace más fácil exponer estrategias frágiles. Para quienes construyen IA, eso hace que el estudio trate menos de vencer un juego y más de si la arquitectura de memoria puede sustituir la expansión bruta del contexto.

Por qué Slay the Spire 2 es una prueba de estrés útil

Slay the Spire 2 es inusualmente castigador para el diseño de agentes. Una sola partida puede implicar planificación de rutas, construcción de mazos, tácticas de combate, compras en tiendas y decisiones de eventos repartidas a lo largo de cientos de pasos. Eso lo convierte en una mejor prueba de persistencia y planificación que un benchmark de una sola vez. The Decoder señala que los jugadores humanos ganan aproximadamente el 16 por ciento de las veces en la dificultad más baja, A0, según los desarrolladores del juego, mientras que los agentes de modelos frontier en la evaluación AGI-Eval, según se informó, no ganaron ni una sola partida en cinco configuraciones probadas.

Ese contexto es importante porque los investigadores no están argumentando que un nuevo modelo haya resuelto de repente el juego. Su argumento es más estrecho y accionable: la misma clase de modelo de lenguaje grande puede comportarse de manera distinta según cómo se represente y recupere su historial.

Diseños tradicionales de agentes como ReAct y Reflexion a menudo añaden observaciones, salidas de herramientas y autorreflexión al siguiente prompt. Ese patrón es fácil de construir, pero crea un prompt que crece en cada turno. A medida que las partidas se alargan, el agente corre el riesgo de alcanzar el límite de contexto o de diluir su propia atención entre información obsoleta. Es el mismo modo de fallo que muchos profesionales describen ahora como podredumbre del contexto.

Cómo AgenticSTS reorganiza la memoria

Según se informa, AgenticSTS evita alimentar al modelo con su transcripción bruta en ejecución. En su lugar, cada prompt de decisión se construye a partir de cinco capas de memoria. The Decoder las describe como una capa fija de instrucciones, una capa de estado actual, una capa recuperada de reglas del juego, una capa de resumen de partidas previas y una capa de habilidades estratégicas que almacena reglas tácticas reutilizables para situaciones recurrentes.

Esa separación es la principal contribución de diseño. Si la información de un paso anterior importa, primero debe escribirse en uno de esos almacenes de memoria. En la práctica, eso significa que el modelo ve un prompt más corto y curado en lugar de un registro gigante de todo lo que ha hecho. La longitud del prompt, según lo reportado, se mantiene alrededor de 5.000 tokens incluso al final de una partida, frente al crecimiento hasta cientos de miles de tokens en agentes base que reenvían todo el historial.

Esto también ofrece a los investigadores una forma más clara de inspeccionar qué ayuda realmente. En lugar de tratar la “memoria” como una sola masa vaga, pueden activar o desactivar capas. En la comparación principal descrita por The Decoder, un agente sin capas de memoria ganó 3 de 10 partidas. Añadir la biblioteca de habilidades tácticas L5 elevó eso a 6 de 10. El artículo dice que esto se mantuvo tanto si las habilidades estaban escritas a mano como si se generaban a partir de plantillas.

Ese es un resultado notable, pero los propios investigadores parecen haber sido cuidadosos de no exagerarlo. Con solo 10 partidas por condición, según se informa, reconocen que la mejora podría deberse en parte al ruido.

Las mayores ganancias pueden estar en costo y latencia, no solo en victorias

La historia de rendimiento más limpia puede ser operativa más que puramente de benchmark. The Decoder informa que los agentes públicos de comparación STS2MCP y CharTyr, que usan un enfoque de transcripción creciente, no ganaron ninguna de cinco partidas cada uno bajo la configuración reportada. Más sorprendentemente, según se informa, consumieron entre 66 y 90 veces más tokens por punto obtenido que AgenticSTS.

Un ejemplo citado ilustra por qué. En STS2MCP, una llamada del modelo en la fase final del juego, según se informó, alcanzó unos 527.000 tokens porque se reenvió todo el historial de la partida. AgenticSTS, en cambio, mantuvo el texto activo del usuario en torno a 5.000 tokens. El artículo también dice que los agentes con transcripción pesada tardaron aproximadamente cuatro veces más en alcanzar el mismo nivel, con estadísticas del proveedor atribuyendo el 96 por ciento de esa ralentización a la latencia del modelo y no al sobrecoste de orquestación.

Para equipos que construyen agentes de IA en entornos empresariales, esta puede ser la lección más transferible. Muchos flujos de trabajo de producción ya sufren por contexto desbordado en casos de uso como asistentes de programación, soporte al cliente, investigación y automatización del trabajo. Si la memoria estructurada puede preservar suficiente continuidad mientras reduce drásticamente el tamaño del prompt, la recompensa es menor gasto de inferencia, mejor capacidad de respuesta y potencialmente menos fallos de razonamiento causados por un historial ruidoso.

Qué respalda la evidencia y qué no

La evidencia de esta historia proviene de la cobertura mediática de la investigación subyacente, no de un lanzamiento de empresa ni de una auditoría independiente de benchmark, por lo que conviene tener cautela. The Decoder informa que las métricas clave se basan en 50 partidas en total, con solo un personaje jugable, Silent, probado en una versión del juego. Eso deja abierta la pregunta de cuán bien se generaliza el enfoque entre parches, personajes u otros entornos de largo horizonte.

El artículo también dice que no fue una ablación limpia de manzanas con manzanas frente a la acumulación de transcripciones dentro de la misma base de código. STS2MCP y CharTyr difieren de AgenticSTS tanto en el enrutamiento y el empaquetado de decisiones como en el manejo de la memoria. Así que, aunque la comparación es útil como instantánea del panorama actual de agentes públicos, no aísla la memoria estructurada como la única razón de la brecha.

Los resultados de transferencia entre modelos también sugieren que la memoria en sí puede ser menos reutilizable de lo que algunos desarrolladores podrían esperar. Según se informa, los investigadores congelaron una pila de memoria acumulada por Gemini 3.1 Pro y luego se la pasaron a Qwen 3.6-27B y Deepseek V4-Pro. La puntuación media de Qwen 3.6-27B, según se informó, subió un 84,5 por ciento, mientras que la de Deepseek V4-Pro cayó un 18,1 por ciento. Ninguno de los modelos ganó una partida. Si ese hallazgo se mantiene, los formatos de memoria podrían necesitar adaptarse al modelo que los crea y consume.

Aun así, el proyecto parece aportar algo útil a la reproducibilidad. The Decoder dice que el equipo está publicando 298 partidas completas, instantáneas de memoria congeladas y scripts de evaluación en Hugging Face. Eso debería facilitar a grupos externos probar diseños alternativos de memoria sin reconstruir el entorno desde cero.

Por qué esto importa para los agentes de IA y la IA empresarial

La implicación general es que mejores agentes de IA podrían provenir menos de ventanas de contexto cada vez mayores y más de una gestión explícita de la memoria. Eso cambia el problema de ingeniería. En lugar de preguntar cómo meter más tokens en un modelo, los equipos pueden preguntar qué información merece almacenamiento a largo plazo, cómo debe resumirse, cuándo debe recuperarse y qué decisiones requieren estado fresco frente a habilidades duraderas.

Esto se alinea con un movimiento más amplio en el mercado. The Decoder apunta a trabajos de Anthropic sobre Memory Tool y Context Editing, cuyo objetivo es eliminar resultados obsoletos de herramientas del contexto en vivo y mover la información duradera a almacenamiento externo. También menciona GAM y Mastra como otros esfuerzos para gestionar la memoria fuera del prompt bruto. Estos proyectos varían en implementación, pero comparten una premisa similar: dejar que el contexto crezca sin control suele ser el ajuste predeterminado incorrecto para agentes de IA de larga duración.

Para los compradores de IA empresarial, eso sugiere que las preguntas de adquisición deberían ir más allá de la calidad del modelo. Los equipos que evalúan una plataforma de agentes deberían preguntar cómo maneja la compactación de memoria, la recuperación, el diseño de esquemas y la auditabilidad. Una demostración llamativa basada en prompts gigantes puede fallar cuando los flujos de trabajo se extienden a cientos de acciones o cuando se ajustan los presupuestos de inferencia.

Para los investigadores, Slay the Spire 2 ofrece un punto intermedio útil entre tareas de juguete y un despliegue real desordenado. Está lo bastante estructurado para un estudio controlado, pero lo bastante largo para revelar fallos en la planificación y la memoria. Si el enfoque de AgenticSTS se reproduce en más entornos, podría influir en cómo se diseñan los sistemas de asistentes de programación, agentes de navegador y herramientas de automatización de procesos empresariales.

Qué observar a continuación

La siguiente señal es una replicación independiente. Si investigadores externos usan los artefactos de Hugging Face y pueden reproducir las tasas de victoria, el ahorro de tokens y las mejoras de latencia, la afirmación sobre la arquitectura de memoria será más creíble.

Una segunda señal es una ablación más estricta. El seguimiento más informativo sería comparar AgenticSTS con una línea base que acumule transcripciones dentro de la misma base de código, con el mismo modelo, el mismo enrutamiento y la misma puntuación.

Tercero, hay que vigilar una generalización más amplia. Resultados en más personajes de Slay the Spire 2, parches posteriores u otras tareas de largo horizonte dirían más sobre si el diseño es robusto o específico del benchmark.

Por último, conviene observar la productización. Si los proveedores de frameworks o las empresas de modelos adoptan patrones similares de memoria estructurada, conceptos que hoy se prueban en investigación podrían llegar rápidamente a agentes de IA comerciales, stacks de IA empresarial y herramientas para desarrolladores.

Perspectiva de Creati.ai

La parte más importante de esta historia no es que un agente haya ganado unas cuantas partidas. Es que los investigadores están tratando la memoria como un problema de diseño de sistema de primera clase, y no como un subproducto del chat. Ahí es exactamente donde muchos agentes de IA desplegados siguen fallando: confunden persistencia con repetición, así que cada nuevo paso arrastra demasiado pasado irrelevante.

Si los resultados de AgenticSTS se sostienen, refuerzan una idea que muchos desarrolladores ya sospechan: la longitud bruta del contexto es un sustituto caro del estado estructurado. En la práctica, la próxima ola de agentes de IA fiables puede depender menos de modelos más grandes por sí solos y más de capas de memoria disciplinadas, políticas de recuperación y herramientas que eviten la podredumbre del contexto antes de que empiece.