Pesquisadores por trás de um projeto chamado AgenticSTS afirmam ter melhorado o desempenho de longo horizonte de um agente de IA no jogo de cartas Slay the Spire 2 ao substituir o histórico de chat, normalmente sempre crescente, por um sistema de memória estruturada. Em testes relatados e cobertos pelo The Decoder, o agente venceu 6 de 10 partidas na menor dificuldade do jogo quando uma camada de habilidade tática foi ativada, enquanto dois agentes públicos de comparação que usavam prompting tradicional, pesado em transcrições, teriam falhado em vencer qualquer uma de suas partidas.

O resultado importa além de um benchmark de jogo porque atinge um gargalo prático para agentes de IA: tarefas longas tendem a acumular prompts enormes, elevando custo, latência e taxas de erro. A principal afirmação do AgenticSTS é que um agente não precisa continuar reproduzindo toda a conversa para agir de forma coerente ao longo de centenas de etapas. Em vez disso, ele pode reconstruir cada prompt a partir de um conjunto compacto de slots de memória que armazenam apenas tipos específicos de informação.

Segundo a reportagem do The Decoder sobre o artigo, o trabalho vem do Alaya Lab, da Shanghai Jiao Tong University e de outras instituições. Os pesquisadores usaram Slay the Spire 2 como caso de teste porque uma partida envolve muitas escolhas sequenciais, as regras podem ser representadas em texto e a aleatoriedade torna mais fácil expor estratégias frágeis. Para quem constrói IA, isso faz do estudo menos uma questão de vencer um jogo e mais uma questão de saber se a arquitetura de memória pode substituir a expansão bruta de contexto.

Por que Slay the Spire 2 é um teste de estresse útil

Slay the Spire 2 é incomumente punitivo para o design de agentes. Uma única partida pode envolver planejamento de rota, construção de deck, táticas de combate, compras em loja e decisões de eventos distribuídas por centenas de etapas. Isso o torna um teste melhor de persistência e planejamento do que um benchmark de uma só vez. O The Decoder observa que jogadores humanos vencem cerca de 16 por cento das vezes na dificuldade mais baixa, A0, segundo os desenvolvedores do jogo, enquanto agentes de modelos de fronteira no levantamento AGI-Eval, segundo relatos, não venceram uma única partida em cinco configurações testadas.

Esse pano de fundo é importante porque os pesquisadores não estão dizendo que um novo modelo resolveu de repente o jogo. O argumento deles é mais restrito e acionável: a mesma classe de modelo de linguagem grande pode se comportar de forma diferente dependendo de como seu histórico é representado e recuperado.

Projetos tradicionais de agentes como ReAct e Reflexion frequentemente anexam observações, saídas de ferramentas e autorreflexão ao próximo prompt. Esse padrão é fácil de construir, mas cria um prompt que cresce a cada turno. À medida que as partidas ficam mais longas, o agente corre o risco de atingir o limite de contexto ou diluir sua atenção em informações desatualizadas. Esse é o mesmo modo de falha que muitos profissionais agora descrevem como podridão de contexto.

Como o AgenticSTS reorganiza a memória

Segundo relatos, o AgenticSTS evita alimentar o modelo com sua transcrição bruta em execução. Em vez disso, cada prompt de decisão é montado a partir de cinco camadas de memória. O The Decoder as descreve como uma camada fixa de instruções, uma camada de estado atual, uma camada recuperada de regras do jogo, uma camada de resumo de partidas anteriores e uma camada de habilidades estratégicas que armazena regras táticas reutilizáveis para situações recorrentes.

Essa separação é a principal contribuição de design. Se informações de uma etapa anterior importam, elas primeiro precisam ser gravadas em um desses repositórios de memória. Na prática, isso significa que o modelo vê um prompt mais curto e curado em vez de um registro gigante de tudo o que já fez. O comprimento do prompt, segundo os relatos, permanece em torno de 5.000 tokens mesmo no fim de uma partida, em comparação com o crescimento para centenas de milhares de tokens em agentes base que reenviam todo o histórico.

Isso também dá aos pesquisadores uma maneira mais clara de inspecionar o que realmente ajuda. Em vez de tratar “memória” como uma massa vaga, eles podem ligar ou desligar camadas. Na comparação principal descrita pelo The Decoder, um agente sem camadas de memória venceu 3 de 10 partidas. Adicionar a biblioteca de habilidades táticas L5 elevou isso para 6 de 10. O artigo diz que isso valeu tanto para habilidades escritas à mão quanto para habilidades geradas a partir de modelos.

Esse é um resultado notável, mas os próprios pesquisadores parecem ter sido cuidadosos para não exagerá-lo. Com apenas 10 partidas por condição, eles teriam reconhecido que a melhoria poderia ser em parte ruído.

Os maiores ganhos podem estar em custo e latência, não apenas em vitórias

A história de desempenho mais limpa pode ser operacional, e não apenas de benchmark. O The Decoder relata que os agentes públicos de comparação STS2MCP e CharTyr, que usam uma abordagem de transcrição crescente, não venceram nenhuma de cinco partidas cada sob a configuração relatada. Mais impressionante ainda, eles teriam consumido de 66 a 90 vezes mais tokens por ponto marcado do que o AgenticSTS.

Um exemplo citado ilustra o porquê. No STS2MCP, uma chamada de modelo no final da partida teria chegado a cerca de 527.000 tokens porque todo o histórico do jogo foi reenviado. O AgenticSTS, por outro lado, manteve o texto ativo do usuário em cerca de 5.000 tokens. O artigo também diz que os agentes com transcrição pesada levaram cerca de quatro vezes mais tempo para atingir o mesmo nível, com estatísticas do provedor atribuindo 96 por cento dessa lentidão à latência do modelo, e não ao overhead de orquestração.

Para equipes que constroem agentes de IA em ambientes corporativos, essa pode ser a lição mais transferível. Muitos fluxos de trabalho de produção já sofrem com contexto inchado em casos de uso como assistentes de programação, suporte ao cliente, pesquisa e automação do trabalho. Se a memória estruturada puder preservar continuidade suficiente enquanto reduz drasticamente o tamanho do prompt, o ganho é menor gasto de inferência, melhor responsividade e potencialmente menos falhas de raciocínio causadas por histórico ruidoso.

O que as evidências sustentam, e o que não sustentam

As evidências nesta história vêm da cobertura da mídia sobre a pesquisa subjacente, e não de um lançamento de empresa ou de uma auditoria independente de benchmark, então cautela é necessária. O The Decoder relata que as métricas-chave se baseiam em 50 partidas no total, com apenas um personagem jogável, Silent, testado em uma versão do jogo. Isso deixa em aberto o quanto a abordagem se generaliza entre patches, personagens ou outros ambientes de longo horizonte.

O artigo também diz que não foi uma ablação limpa, comparando com “maçãs com maçãs”, contra a acumulação de transcrições dentro da mesma base de código. STS2MCP e CharTyr diferem do AgenticSTS tanto no roteamento e no agrupamento de decisões quanto no tratamento da memória. Portanto, embora a comparação seja útil como um instantâneo do cenário atual de agentes públicos, ela não isola a memória estruturada como a única razão da diferença.

Os resultados de transferência entre modelos também sugerem que a própria memória pode ser menos reutilizável do que alguns construtores poderiam esperar. Os pesquisadores teriam congelado uma pilha de memória acumulada pelo Gemini 3.1 Pro e então a passado para o Qwen 3.6-27B e o Deepseek V4-Pro. A pontuação média do Qwen 3.6-27B teria subido 84,5 por cento, enquanto a do Deepseek V4-Pro caiu 18,1 por cento. Nenhum dos modelos venceu uma partida. Se essa descoberta se mantiver, os formatos de memória talvez precisem ser adaptados ao modelo que os cria e consome.

Ainda assim, o projeto parece contribuir de forma útil para a reprodutibilidade. O The Decoder diz que a equipe está publicando 298 partidas completas, instantâneos de memória congelados e scripts de avaliação no Hugging Face. Isso deve facilitar para grupos externos testar designs alternativos de memória sem reconstruir o ambiente do zero.

Por que isso importa para agentes de IA e IA corporativa

A implicação ampla é que agentes de IA melhores podem vir menos de janelas de contexto cada vez maiores e mais de gerenciamento explícito de memória. Isso muda o problema de engenharia. Em vez de perguntar como enfiar mais tokens em um modelo, as equipes podem perguntar quais informações merecem armazenamento de longo prazo, como devem ser resumidas, quando devem ser recuperadas e quais decisões exigem estado fresco em vez de habilidades duráveis.

Isso se alinha a um movimento mais amplo no mercado. O The Decoder aponta trabalhos da Anthropic sobre Memory Tool e Context Editing, que visam remover resultados antigos de ferramentas do contexto vivo e mover informações duráveis para armazenamento externo. Também menciona GAM e Mastra como outros esforços para gerenciar memória fora do prompt bruto. Esses projetos variam na implementação, mas compartilham uma premissa semelhante: deixar o contexto crescer sem controle costuma ser o padrão incorreto para agentes de IA de longa duração.

Para compradores de IA corporativa, isso sugere que as perguntas de aquisição devem ir além da qualidade do modelo. Equipes que avaliam uma plataforma de agentes devem perguntar como ela lida com compactação de memória, recuperação, design de esquema e auditabilidade. Uma demonstração chamativa construída sobre prompts gigantes pode falhar quando os fluxos de trabalho se estendem por centenas de ações ou quando os orçamentos de inferência ficam apertados.

Para pesquisadores, Slay the Spire 2 oferece um benchmark intermediário útil entre tarefas de brinquedo e um deployment real bagunçado. Ele é estruturado o suficiente para estudo controlado, mas longo o bastante para revelar falhas em planejamento e memória. Se a abordagem do AgenticSTS se reproduzir em mais cenários, ela poderá influenciar como são arquitetados sistemas de assistentes de programação, agentes de navegador e ferramentas de automação de processos de negócios.

O que observar a seguir

O próximo sinal é a replicação independente. Se pesquisadores externos usando os artefatos do Hugging Face conseguirem reproduzir as taxas de vitória, a economia de tokens e as melhorias de latência, a afirmação sobre a arquitetura de memória se tornará mais crível.

Um segundo sinal é uma ablação mais rigorosa. O acompanhamento mais informativo seria comparar o AgenticSTS com uma base que acumule transcrições dentro da mesma base de código, com o mesmo modelo, o mesmo roteamento e a mesma pontuação.

Terceiro, observe uma generalização mais ampla. Resultados em mais personagens de Slay the Spire 2, patches posteriores ou outras tarefas de longo horizonte diriam mais sobre se o design é robusto ou específico de benchmark.

Por fim, fique atento à productização. Se fornecedores de frameworks ou empresas de modelos adotarem padrões semelhantes de memória estruturada, conceitos hoje testados em pesquisa podem rapidamente chegar a agentes de IA comerciais, stacks de IA corporativa e ferramentas de desenvolvimento.

Perspectiva da Creati.ai

A parte mais importante desta história não é que um agente venceu algumas partidas. É que os pesquisadores estão tratando a memória como um problema de design de sistema de primeira classe, e não como um subproduto do chat. É exatamente aí que muitos agentes de IA implantados ainda quebram: eles confundem persistência com repetição, então cada novo passo arrasta passado demais e irrelevante.

Se os resultados do AgenticSTS se confirmarem, eles reforçam uma visão que muitos construtores já suspeitam: o comprimento bruto de contexto é um substituto caro para estado estruturado. Na prática, a próxima onda de agentes de IA confiáveis pode depender menos de modelos maiores por si sós e mais de camadas de memória disciplinadas, políticas de recuperação e ferramentas que impeçam a podridão de contexto antes que ela comece.