Des chercheurs à l’origine d’un projet appelé AgenticSTS disent avoir amélioré les performances à long terme d’un agent d’IA dans le jeu de cartes Slay the Spire 2 en remplaçant l’historique de conversation, habituellement toujours plus volumineux, par un système de mémoire structurée. Dans des tests rapportés et relayés par The Decoder, l’agent a remporté 6 parties sur 10 au niveau de difficulté le plus bas lorsque une couche de compétence tactique était activée, tandis que deux agents publics de comparaison utilisant, selon les informations, un prompt traditionnel centré sur les transcriptions n’ont remporté aucune de leurs parties.

Le résultat compte au-delà d’un simple benchmark de jeu, car il s’attaque à un goulot d’étranglement pratique pour les agents d’IA : les tâches longues ont tendance à accumuler d’énormes prompts, ce qui augmente les coûts, la latence et les taux d’erreur. L’affirmation centrale d’AgenticSTS est qu’un agent n’a pas besoin de rejouer l’intégralité de sa conversation pour agir de manière cohérente sur des centaines d’étapes. Il peut plutôt reconstruire chaque prompt à partir d’un ensemble compact de cases mémoire qui ne stockent que des types d’informations spécifiques.

Selon le reportage de The Decoder sur l’étude, les travaux proviennent d’Alaya Lab, de la Shanghai Jiao Tong University et d’autres institutions. Les chercheurs ont utilisé Slay the Spire 2 comme cas d’essai parce qu’une partie implique de nombreux choix séquentiels, que les règles peuvent être représentées en texte et que l’aléatoire permet de mettre plus facilement en évidence les stratégies fragiles. Pour les constructeurs d’IA, cela fait de l’étude moins une question de battre un jeu qu’une question de savoir si l’architecture mémoire peut se substituer à l’expansion brute du contexte.

Pourquoi Slay the Spire 2 est un bon test de résistance

Slay the Spire 2 est exceptionnellement impitoyable pour la conception d’agents. Une seule partie peut impliquer la planification d’itinéraire, la construction du deck, les tactiques de combat, les achats en boutique et les décisions d’événements réparties sur des centaines d’étapes. Cela en fait un meilleur test de persistance et de planification qu’un benchmark ponctuel. The Decoder note que les joueurs humains gagnent environ 16 % du temps au niveau de difficulté le plus bas, A0, selon les développeurs du jeu, tandis que les agents de modèles de pointe évalués dans AGI-Eval n’auraient remporté aucun des cinq scénarios testés.

Ce contexte est important, car les chercheurs ne prétendent pas qu’un nouveau modèle a soudainement résolu le jeu. Leur argument est plus étroit et plus exploitable : une même classe de grands modèles de langage peut se comporter différemment selon la manière dont son historique est représenté et récupéré.

Les conceptions traditionnelles d’agents comme ReAct et Reflexion ajoutent souvent les observations, les sorties d’outils et l’auto-réflexion au prompt suivant. Ce schéma est simple à mettre en place, mais il crée un prompt qui grossit à chaque tour. À mesure que les parties s’allongent, l’agent risque soit d’atteindre la limite de contexte, soit de diluer son attention dans des informations obsolètes. C’est le même mode d’échec que de nombreux praticiens décrivent désormais comme la pourriture du contexte.

Comment AgenticSTS réorganise la mémoire

AgenticSTS éviterait d’alimenter le modèle avec son transcrit brut en cours d’exécution. À la place, chaque prompt de décision est assemblé à partir de cinq couches de mémoire. The Decoder les décrit comme une couche d’instructions fixe, une couche d’état actuel, une couche de règles du jeu récupérées, une couche de résumé des parties précédentes et une couche de compétences stratégiques qui stocke des règles tactiques réutilisables pour les situations récurrentes.

Cette séparation constitue la principale contribution de conception. Si une information d’une étape précédente est importante, elle doit d’abord être écrite dans l’un de ces magasins de mémoire. En pratique, cela signifie que le modèle voit un prompt plus court et plus sélectionné plutôt qu’un énorme journal de tout ce qu’il a jamais fait. La longueur du prompt resterait autour de 5 000 jetons même tard dans une partie, contre une croissance vers des centaines de milliers de jetons pour les agents de référence qui renvoient tout l’historique.

Cela donne aussi aux chercheurs une manière plus claire d’examiner ce qui aide réellement. Plutôt que de traiter la « mémoire » comme un bloc vague, ils peuvent activer ou désactiver des couches. Dans la comparaison principale décrite par The Decoder, un agent sans couches de mémoire a remporté 3 parties sur 10. L’ajout de la bibliothèque de compétences tactiques L5 a porté ce score à 6 sur 10. L’article indique que cela valait aussi bien pour des compétences rédigées à la main que pour des compétences générées à partir de modèles.

C’est un résultat notable, mais les chercheurs eux-mêmes semblent avoir pris soin de ne pas le surestimer. Avec seulement 10 parties par condition, ils reconnaissent, selon les informations, que l’amélioration pourrait être en partie due au bruit.

Les plus grands gains pourraient venir du coût et de la latence, pas seulement des victoires

L’histoire de performance la plus propre est peut-être opérationnelle plutôt que purement liée au benchmark. The Decoder rapporte que les agents publics de comparaison STS2MCP et CharTyr, qui utilisent une approche à transcriptions croissantes, n’ont remporté aucune de leurs cinq parties dans la configuration rapportée. Plus frappant encore, ils auraient consommé 66 à 90 fois plus de jetons par point marqué qu’AgenticSTS.

Un exemple cité illustre pourquoi. Dans STS2MCP, un appel de modèle en fin de partie aurait atteint environ 527 000 jetons, car l’intégralité de l’historique de la partie était renvoyée. AgenticSTS, en revanche, maintenait le texte utilisateur actif autour de 5 000 jetons. L’article indique aussi que les agents à forte charge de transcriptions ont mis environ quatre fois plus de temps à atteindre le même niveau, les statistiques du fournisseur attribuant 96 % de ce ralentissement à la latence du modèle plutôt qu’aux frais d’orchestration.

Pour les équipes qui construisent des agents d’IA dans des environnements d’entreprise, c’est peut-être la leçon la plus transférable. De nombreux flux de production souffrent déjà d’un contexte qui enfle dans des cas d’usage comme les assistants de codage, le support client, la recherche et l’automatisation du travail. Si une mémoire structurée peut préserver suffisamment de continuité tout en réduisant fortement la taille du prompt, le bénéfice est une baisse des coûts d’inférence, une meilleure réactivité et potentiellement moins d’erreurs de raisonnement causées par un historique bruyant.

Ce que les preuves soutiennent, et ce qu’elles ne soutiennent pas

Les éléments de preuve dans cette histoire proviennent de la couverture médiatique de la recherche sous-jacente, et non d’un lancement d’entreprise ou d’un audit indépendant de benchmark, donc la prudence s’impose. The Decoder rapporte que les métriques clés reposent sur 50 parties au total, avec un seul personnage jouable, Silent, testé sur une seule version du jeu. Cela laisse ouverte la question de savoir dans quelle mesure l’approche se généralise à travers les patchs, les personnages ou d’autres environnements à long horizon.

L’article précise aussi qu’il ne s’agissait pas d’une ablation propre, comparable à l’identique, face à l’accumulation de transcriptions au sein de la même base de code. STS2MCP et CharTyr diffèrent d’AgenticSTS à la fois par le routage et le regroupement des décisions, ainsi que par la gestion de la mémoire. Ainsi, même si la comparaison est utile comme instantané du paysage actuel des agents publics, elle n’isole pas la mémoire structurée comme la seule raison de l’écart.

Les résultats de transfert entre modèles suggèrent également que la mémoire elle-même pourrait être moins réutilisable que certains constructeurs ne l’espèrent. Les chercheurs auraient figé une pile de mémoire accumulée par Gemini 3.1 Pro, puis l’auraient transmise à Qwen 3.6-27B et Deepseek V4-Pro. Le score moyen de Qwen 3.6-27B aurait augmenté de 84,5 %, tandis que celui de Deepseek V4-Pro a baissé de 18,1 %. Aucun des deux modèles n’a gagné de partie. Si cette observation se confirme, les formats de mémoire devront peut-être être adaptés au modèle qui les crée et les consomme.

Même ainsi, le projet semble apporter une contribution utile à la reproductibilité. The Decoder indique que l’équipe publie 298 parties complètes, des instantanés de mémoire figés et des scripts d’évaluation sur Hugging Face. Cela devrait faciliter les tests de conceptions de mémoire alternatives par des groupes externes, sans reconstruire l’environnement de zéro.

Pourquoi cela compte pour les agents d’IA et l’IA d’entreprise

L’implication générale est que de meilleurs agents d’IA pourraient dépendre moins de fenêtres de contexte toujours plus grandes que d’une gestion explicite de la mémoire. Cela déplace le problème d’ingénierie. Au lieu de se demander comment mettre davantage de jetons dans un modèle, les équipes peuvent se demander quelles informations méritent un stockage à long terme, comment elles doivent être résumées, quand elles doivent être récupérées et quelles décisions nécessitent un état frais plutôt que des compétences durables.

Cela s’inscrit dans un mouvement plus large du marché. The Decoder renvoie aux travaux de Anthropic sur Memory Tool et Context Editing, qui visent à retirer les résultats d’outils obsolètes du contexte en direct et à déplacer les informations durables vers un stockage externe. Il mentionne aussi GAM et Mastra comme d’autres efforts pour gérer la mémoire en dehors du prompt brut. Ces projets varient dans leur mise en œuvre, mais partagent une prémisse similaire : laisser le contexte croître sans contrôle est souvent le mauvais paramètre par défaut pour des agents d’IA de longue durée.

Pour les acheteurs d’IA d’entreprise, cela suggère que les questions d’achat devraient aller au-delà de la qualité du modèle. Les équipes qui évaluent une plateforme d’agents devraient demander comment elle gère la compression de mémoire, la récupération, la conception de schémas et l’auditabilité. Une démonstration tape-à-l’œil construite sur de gigantesques prompts peut échouer lorsque les workflows s’étendent sur des centaines d’actions ou lorsque les budgets d’inférence se resserrent.

Pour les chercheurs, Slay the Spire 2 offre un benchmark intermédiaire utile entre les tâches jouets et un déploiement réel chaotique. Il est assez structuré pour une étude contrôlée, mais assez long pour révéler les échecs de planification et de mémoire. Si l’approche d’AgenticSTS se reproduit dans davantage de contextes, elle pourrait influencer la manière dont sont architecturés les systèmes d’assistants de codage, les agents de navigateur et les outils d’automatisation des processus métier.

Ce qu’il faut surveiller ensuite

Le prochain signal est une réplication indépendante. Si des chercheurs externes utilisant les artefacts Hugging Face peuvent reproduire les taux de victoire, les économies de jetons et les améliorations de latence, l’affirmation sur l’architecture mémoire deviendra plus crédible.

Un deuxième signal est une ablation plus stricte. Le suivi le plus informatif consisterait à comparer AgenticSTS à une base de référence accumulant les transcriptions au sein de la même base de code, avec le même modèle, le même routage et le même scoring.

Troisièmement, il faut surveiller une généralisation plus large. Des résultats sur davantage de personnages de Slay the Spire 2, des patchs ultérieurs ou d’autres tâches à long horizon diraient davantage si la conception est robuste ou spécifique au benchmark.

Enfin, gardez un œil sur la mise en produit. Si les fournisseurs de frameworks ou les entreprises de modèles adoptent des schémas similaires de mémoire structurée, des concepts aujourd’hui testés en recherche pourraient rapidement se retrouver dans des agents d’IA commerciaux, des piles d’IA d’entreprise et des outils de développement.

Point de vue de Creati.ai

La partie la plus importante de cette histoire n’est pas qu’un agent ait gagné quelques parties. C’est que les chercheurs traitent la mémoire comme un problème de conception système à part entière, et non comme un sous-produit du chat. C’est exactement là que beaucoup d’agents d’IA déployés échouent encore : ils confondent persistance et répétition, de sorte que chaque nouvelle étape traîne trop de passé inutile.

Si les résultats d’AgenticSTS se confirment, ils renforcent une idée que beaucoup de constructeurs soupçonnent déjà : la longueur brute du contexte est un substitut coûteux à l’état structuré. En pratique, la prochaine vague d’agents d’IA fiables pourrait donc dépendre moins des seuls modèles plus grands et davantage de couches de mémoire disciplinées, de politiques de récupération et d’outils qui empêchent la pourriture du contexte avant qu’elle ne commence.