AgenticSTS というプロジェクトの研究者たちは、通常は増え続けるチャット履歴の代わりに構造化メモリシステムを導入することで、カードゲーム Slay the Spire 2 におけるAIエージェントの長期的な性能を改善したと述べています。The Decoder が報じたテストでは、戦術スキル層を有効にした場合、エージェントはゲームの最も低い難易度で10回中6回勝利しました。一方、従来のトランスクリプト重視のプロンプトを使う公開比較エージェント2種は、いずれも勝利できなかったとされています。

この結果がゲームのベンチマークを超えて重要なのは、AIエージェントにとって実用上のボトルネックに触れているからです。長いタスクでは巨大なプロンプトが蓄積しやすく、コスト、レイテンシ、エラー率が上がります。AgenticSTS の中心的な主張は、エージェントが何百ステップにわたって一貫して行動するために、会話全体を毎回再生する必要はないということです。代わりに、特定種類の情報だけを保持するコンパクトなメモリスロット群から、毎回のプロンプトを再構築できます。

The Decoder の論文報道によると、この研究は Alaya Lab、上海交通大学、その他の機関によるものです。研究者রাが Slay the Spire 2 をテストケースに選んだのは、1回のプレイに多数の連続した選択が含まれ、ルールをテキストで表現でき、ランダム性によって脆い戦略を見つけやすいからです。AI ビルダーにとって、この研究はゲームに勝つことよりも、メモリアーキテクチャが総当たりのコンテキスト拡張の代わりになり得るかを問うものです。

Slay the Spire 2 が有用なストレステストである理由

Slay the Spire 2 は、エージェント設計にとって異例に過酷です。1回のプレイには、ルート計画、デッキ構築、戦闘戦術、ショップでの買い物、イベントの選択が、何百ものステップにわたって含まれます。そのため、一発勝負のベンチマークよりも、持続性と計画性のテストとして優れています。The Decoder は、ゲーム開発者によれば人間プレイヤーの勝率は最も低い難易度 A0 で約16％である一方、AGI-Eval 評価における最先端モデルのエージェントは、5つのテスト構成で1回も勝てなかったと報じています。

この背景は重要です。研究者たちは、新しいモデルが突然ゲームを解けたと主張しているのではないからです。彼らの主張はより狭く、かつ実務的です。同じ種類の大規模言語モデルでも、履歴の表現と取得方法によって挙動が変わり得る、というものです。

ReAct や Reflexion のような従来のエージェント設計は、観測結果、ツール出力、自己反省を次のプロンプトに付け足すことが多くあります。この方式は作りやすい一方で、ターンごとにプロンプトが肥大化します。プレイが長くなるほど、エージェントはコンテキスト上限に達するか、古い情報に注意を分散させるリスクを負います。これは多くの実務家がいま「コンテキスト劣化」と呼ぶ失敗モードと同じです。

AgenticSTS はメモリをどう再編成するのか

AgenticSTS は、モデルに生の進行中トランスクリプトをそのまま与えることを避けていると報じられています。代わりに、各意思決定プロンプトは5つのメモリ層から組み立てられます。The Decoder はそれらを、固定の指示層、現在状態層、取得したゲームルール層、過去プレイの要約層、そして繰り返し状況で再利用できる戦術ルールを保持する戦略スキル層として説明しています。

この分離が設計上の主な貢献です。前のステップの情報が重要なら、まずそれをこれらのメモリストアのどれかに書き込む必要があります。実際には、モデルは自分が行ったすべての巨大なログではなく、より短く選別されたプロンプトを見ることになります。報告によれば、プロンプト長はプレイ終盤でも約5,000トークンに保たれますが、履歴全体を再送するベースラインエージェントでは数十万トークン規模にまで膨らみます。

これにより、何が本当に役立つのかをより明確に検証できます。「メモリ」を曖昧な塊として扱うのではなく、層ごとにオン・オフを切り替えられるからです。The Decoder が説明する主要比較では、メモリ層のないエージェントは10回中3回勝利しました。L5 戦術スキルライブラリを追加すると、それが10回中6回に増えました。記事によると、この傾向は手書きスキルでもテンプレート生成スキルでも同様でした。

これは注目すべき結果ですが、研究者自身は過大評価を避ける慎重さを見せているようです。条件ごとに10回しか試していないため、改善の一部はノイズによる可能性があると認めていると報じられています。

最大の成果は勝率だけでなく、コストとレイテンシかもしれない

より明確な性能の話は、ベンチマークそのものより運用面にあるのかもしれません。The Decoder は、トランスクリプトが増え続ける方式を使う公開比較エージェント STS2MCP と CharTyr が、報告された設定下でそれぞれ5回ずつのプレイで勝てなかったと報じています。さらに驚くべきことに、彼らは AgenticSTS よりも1ポイント獲得あたり66〜90倍多くトークンを消費したとされています。

引用された例がその理由を示しています。STS2MCP では、終盤のモデル呼び出しがゲーム履歴全体を再送したため、約527,000トークンに達したとされています。これに対して AgenticSTS は、アクティブなユーザーテキストを約5,000トークンに抑えました。記事はまた、トランスクリプト重視のエージェントは同じレベルに到達するのに約4倍時間がかかり、その遅延の96％はオーケストレーションのオーバーヘッドではなくモデルのレイテンシによるものだとプロバイダー統計が示したとも述べています。

企業環境で AI エージェント を構築するチームにとっては、こちらのほうが移植しやすい教訓かもしれません。コード補助、顧客サポート、調査、業務自動化などのユースケースでは、すでにコンテキスト肥大化に悩まされている生産ワークフローが多くあります。構造化メモリが十分な連続性を保ちながらプロンプトサイズを大幅に削減できるなら、推論コストの低下、応答性の向上、そしてノイズの多い履歴に起因する推論失敗の減少が期待できます。

何が証拠で、何がそうでないのか

この話で示されている証拠は、企業発表や独立したベンチマーク監査ではなく、基礎研究のメディア報道に基づいているため、注意が必要です。The Decoder によると、主要指標は合計50回のプレイに基づいており、プレイ可能なキャラクターは Silent 1体のみ、しかもゲームの1バージョンだけがテストされました。そのため、このアプローチがパッチ、キャラクター、あるいは他の長期環境にどこまで一般化するかは未解決です。

記事はまた、同じコードベース内でのトランスクリプト蓄積とのきれいな apples-to-apples のアブレーションではなかったとも述べています。STS2MCP と CharTyr は、ルーティングや意思決定のバッチ処理だけでなく、メモリの扱いでも AgenticSTS と異なります。したがって、この比較は現在の公開エージェントの全体像を示すスナップショットとしては有用ですが、差の唯一の理由として構造化メモリだけを切り出しているわけではありません。

モデル間転移の結果も、メモリ自体が一部のビルダーが期待するほど再利用しやすくない可能性を示しています。研究者たちは、Gemini 3.1 Pro が蓄積したメモリスタックを固定し、それを Qwen 3.6-27B と Deepseek V4-Pro に渡したと報じられています。Qwen 3.6-27B の平均スコアは84.5％上昇した一方、Deepseek V4-Pro のスコアは18.1％低下しました。どちらのモデルもゲームには勝てませんでした。この結果が持続するなら、メモリ形式は作成・利用するモデルに合わせて調整する必要があるかもしれません。

それでも、このプロジェクトは再現性の向上に役立つ貢献をしているようです。The Decoder によると、チームは Hugging Face 上で298本の完全なゲーム記録、固定されたメモリスナップショット、評価スクリプトを公開しています。これにより、外部グループが環境を一から構築し直さずに、代替メモリ設計を試しやすくなるはずです。

これがAIエージェントと企業向けAIにとって重要な理由

広い意味での示唆は、より優れたAIエージェントは、ますます大きなコンテキストウィンドウよりも、明示的なメモリ管理から生まれるかもしれないということです。これはエンジニアリング上の課題を変えます。モデルにより多くのトークンを詰め込む方法を考えるのではなく、どの情報を長期保存すべきか、どう要約すべきか、いつ取り出すべきか、どの決定に新しい状態が必要で、どの決定に永続的なスキルが必要かを考えることになります。

これは市場全体の流れとも一致しています。The Decoder は、Anthropic の Memory Tool と Context Editing の取り組みを挙げており、これはライブコンテキストから古いツール結果を取り除き、持続的な情報を外部ストレージに移すことを目指しています。また、GAM や Mastra も、生のプロンプトの外でメモリを管理する別の取り組みとして言及されています。実装は異なりますが、共通する前提は同じです。コンテキストを無制限に増やすのは、長時間動作するAIエージェントにとってたいてい誤ったデフォルトだということです。

企業向けAIの購入者にとっては、調達時の質問がモデル品質だけにとどまるべきではないことを意味します。エージェント・プラットフォームを評価するチームは、メモリ圧縮、検索、スキーマ設計、監査可能性をどう扱うのかを尋ねるべきです。巨大なプロンプトに依存した派手なデモは、ワークフローが何百ものアクションに及んだり、推論予算が厳しくなったりすると失敗する可能性があります。

研究者にとって、Slay the Spire 2 はおもちゃの課題と、扱いにくい実環境デプロイの中間にある便利なベンチマークです。制御された研究には十分に構造化されており、それでいて計画とメモリの失敗を露わにするのに十分長いからです。AgenticSTS のアプローチがより多くの環境で再現されれば、コード補助システム、ブラウザエージェント、業務プロセス自動化ツールの設計にも影響を与える可能性があります。

今後注目すべき点

次のシグナルは独立した再現です。外部研究者が Hugging Face の成果物を使って勝率、トークン削減、レイテンシ改善を再現できれば、メモリアーキテクチャの主張はより信頼できるものになります。

2つ目のシグナルは、より厳密なアブレーションです。最も有益な追試は、同じコードベース、同じモデル、同じルーティング、同じ採点で、AgenticSTS とトランスクリプト蓄積型ベースラインを比較することでしょう。

3つ目として、より広い一般化に注目すべきです。より多くの Slay the Spire 2 のキャラクター、後のパッチ、あるいは他の長期タスクでの結果は、この設計が頑健なのか、それともベンチマーク固有なのかを示すはずです。

最後に、製品化の動きにも注意が必要です。フレームワーク提供企業やモデル企業が同様の構造化メモリ手法を採用すれば、現在研究で試されている概念が、商用AIエージェント、企業向けAIスタック、開発者ツールへ急速に流れ込む可能性があります。

Creati.ai の視点

この話で最も重要なのは、エージェントがいくつかのゲームを勝ったことではありません。研究者たちがメモリをチャットの副作用ではなく、第一級のシステム設計問題として扱っていることです。まさにそこが、導入済みの多くのAIエージェントが今もつまずく場所です。永続性と再生を混同しているため、新しいステップが来るたびに、不要な過去を引きずりすぎてしまうのです。

AgenticSTS の結果が裏付けられれば、多くのビルダーがすでに感じている見方が強まるでしょう。生のコンテキスト長は、構造化された状態の高価な代用品にすぎない、という見方です。実務的には、次世代の信頼できるAIエージェントは、より大きなモデルだけでなく、規律あるメモリ層、検索ポリシー、そしてコンテキスト劣化が始まる前にそれを防ぐツールに、より大きく依存することになるかもしれません。