Исследователи проекта под названием AgenticSTS утверждают, что улучшили долгосрочную эффективность ИИ-агента в карточной игре Slay the Spire 2, заменив обычную постоянно растущую историю чата структурированной системой памяти. В тестах, о которых сообщил The Decoder, агент выиграл 6 из 10 запусков на самой низкой сложности игры, когда была включена тактическая слой навыков, тогда как два публичных сравнительных агента, использовавших традиционные подсказки с большим количеством транскриптов, как сообщается, не выиграли ни одного запуска.

Это важно не только как игровой бенчмарк, потому что затрагивает практическое узкое место ИИ-агентов: длинные задачи склонны накапливать огромные промпты, что повышает стоимость, задержку и частоту ошибок. Ключевой тезис AgenticSTS состоит в том, что агенту не нужно каждый раз воспроизводить весь диалог, чтобы действовать последовательно на протяжении сотен шагов. Вместо этого он может собирать каждый промпт заново из компактного набора слотов памяти, которые хранят только определённые виды информации.

Согласно материалу The Decoder о статье, работа выполнена Alaya Lab, Шанхайским университетом Цзяо Тун и другими учреждениями. Исследователи использовали Slay the Spire 2 как тестовый случай, потому что один проход включает множество последовательных выборов, правила можно представить в текстовом виде, а случайность облегчает выявление хрупких стратегий. Для разработчиков ИИ это делает исследование менее вопросом победы в игре и больше вопросом о том, может ли архитектура памяти заменить грубое наращивание контекста.

Почему Slay the Spire 2 — полезный стресс-тест

Slay the Spire 2 необычайно суров к дизайну агентов. Один проход может включать планирование маршрута, сборку колоды, тактику боя, покупки в магазине и выбор событий, растянутые на сотни шагов. Это делает игру лучшим тестом на устойчивость и планирование, чем одноразовый бенчмарк. The Decoder отмечает, что, по данным разработчиков игры, игроки-люди выигрывают примерно в 16 процентах случаев на самой низкой сложности A0, тогда как агенты на фронтирных моделях в оценке AGI-Eval, по сообщениям, не выиграли ни одной игры в пяти протестированных конфигурациях.

Этот фон важен, потому что исследователи не утверждают, что новая модель вдруг решила игру. Их тезис уже и практичнее: один и тот же класс больших языковых моделей может работать по-разному в зависимости от того, как представлена и извлекается их история.

Традиционные конструкции агентов, такие как ReAct и Reflexion, часто добавляют наблюдения, результаты инструментов и саморефлексию к следующему промпту. Такой шаблон легко реализовать, но он создаёт промпт, который растёт с каждым ходом. По мере удлинения прогонов агент рискует либо упереться в лимит контекста, либо размазать своё внимание по устаревшей информации. Это тот же режим отказа, который многие практики теперь называют распадом контекста.

Как AgenticSTS перестраивает память

Сообщается, что AgenticSTS избегает подачи модели сырого текущего транскрипта. Вместо этого каждый промпт для принятия решения собирается из пяти уровней памяти. The Decoder описывает их как фиксированный уровень инструкций, уровень текущего состояния, извлечённый уровень правил игры, уровень краткого обзора предыдущих запусков и уровень стратегических навыков, который хранит переиспользуемые тактические правила для повторяющихся ситуаций.

Это разделение и есть главный вклад в дизайн. Если информация из предыдущего шага важна, её сначала нужно записать в одно из этих хранилищ памяти. На практике это означает, что модель видит более короткий, отобранный промпт, а не гигантский журнал всего, что она когда-либо делала. Длина промпта, как сообщается, остаётся около 5 000 токенов даже в конце запуска, тогда как у базовых агентов, которые пересылают всю историю, она вырастает до сотен тысяч токенов.

Это также даёт исследователям более чистый способ понять, что именно помогает. Вместо того чтобы рассматривать «память» как одну размытую массу, они могут включать и выключать уровни. В основном сравнении, описанном The Decoder, агент без уровней памяти выиграл 3 из 10 запусков. Добавление библиотеки тактических навыков L5 увеличило этот показатель до 6 из 10. В статье говорится, что это наблюдалось как для вручную написанных навыков, так и для навыков, сгенерированных по шаблонам.

Это заметный результат, но сами исследователи, похоже, были осторожны, чтобы не преувеличивать его. При всего 10 запусках на условие они, как сообщается, признают, что улучшение частично может объясняться шумом.

Самые сильные выигрыши могут быть в стоимости и задержке, а не только в победах

Более чистая история о производительности может быть скорее операционной, чем чисто бенчмарк-ориентированной. The Decoder сообщает, что публичные сравнительные агенты STS2MCP и CharTyr, использующие подход с растущим транскриптом, не выиграли ни одного из пяти запусков каждый в описанной конфигурации. Что ещё более поразительно, они, как сообщается, потребляли в 66–90 раз больше токенов на каждый набранный балл, чем AgenticSTS.

Один из приведённых примеров показывает, почему. В STS2MCP вызов модели в поздней игре, как сообщается, достиг около 527 000 токенов, потому что вся история игры была отправлена заново. AgenticSTS, напротив, удерживал активный пользовательский текст примерно на уровне 5 000 токенов. В статье также говорится, что агенты с тяжёлыми транскриптами тратили примерно в четыре раза больше времени, чтобы достичь того же уровня, при этом статистика провайдера объясняет 96 процентов этого замедления задержкой модели, а не накладными расходами оркестрации.

Для команд, создающих ИИ-агентов в корпоративной среде, это, возможно, более переносимый урок. Многие производственные процессы уже страдают от разрастающегося контекста в сценариях вроде ассистентов программирования, поддержки клиентов, исследований и автоматизации работы. Если структурированная память сможет сохранять достаточную связность при резком сокращении размера промпта, выигрышем станут более низкие расходы на инференс, лучшая отзывчивость и потенциально меньше ошибок рассуждения, вызванных шумной историей.

Что подтверждают доказательства, а что — нет

Доказательства в этой истории исходят из медийного освещения базового исследования, а не из запуска компании или независимого аудита бенчмарка, поэтому нужна осторожность. The Decoder сообщает, что ключевые метрики основаны на 50 запусках в целом, при этом тестировался только один играбельный персонаж, Silent, и только одна версия игры. Это оставляет открытым вопрос, насколько хорошо подход обобщается на патчи, персонажей или другие долгосрочные среды.

В статье также говорится, что это не была чистая, сопоставимая «яблоко к яблоку» абляция против накопления транскриптов в той же кодовой базе. STS2MCP и CharTyr отличаются от AgenticSTS не только обработкой памяти, но и маршрутизацией и пакетированием решений. Поэтому, хотя сравнение полезно как снимок текущего ландшафта публичных агентов, оно не выделяет структурированную память как единственную причину разрыва.

Результаты переноса между моделями также указывают на то, что сама память может быть менее переиспользуемой, чем надеются некоторые разработчики. Сообщается, что исследователи заморозили стек памяти, накопленный Gemini 3.1 Pro, а затем передали его Qwen 3.6-27B и Deepseek V4-Pro. Средний балл Qwen 3.6-27B, как сообщается, вырос на 84,5 процента, тогда как у Deepseek V4-Pro он упал на 18,1 процента. Ни одна из моделей не выиграла игру. Если это подтвердится, форматы памяти, возможно, придётся адаптировать под модель, которая их создаёт и использует.

Тем не менее проект, похоже, вносит полезный вклад в воспроизводимость. The Decoder говорит, что команда публикует на Hugging Face 298 полных игровых прогонов, замороженные снимки памяти и скрипты оценки. Это должно упростить внешним группам тестирование альтернативных дизайнов памяти без полного воссоздания среды с нуля.

Почему это важно для ИИ-агентов и корпоративного ИИ

Широкий вывод состоит в том, что лучшие ИИ-агенты могут определяться не столько постоянно растущими контекстными окнами, сколько явным управлением памятью. Это меняет инженерную задачу. Вместо вопроса о том, как запихнуть больше токенов в модель, команды могут спрашивать, какая информация заслуживает долгосрочного хранения, как её следует резюмировать, когда её следует извлекать и какие решения требуют свежего состояния, а какие — устойчивых навыков.

Это согласуется с более широким движением на рынке. The Decoder указывает на работу Anthropic над Memory Tool и Context Editing, которая направлена на удаление устаревших результатов инструментов из живого контекста и перенос устойчивой информации во внешнее хранилище. Также упоминаются GAM и Mastra как другие попытки управлять памятью вне сырого промпта. Эти проекты различаются по реализации, но разделяют схожую предпосылку: позволять контексту бесконтрольно расти — часто неверная настройка по умолчанию для долго работающих ИИ-агентов.

Для покупателей корпоративного ИИ это означает, что вопросы закупки должны выходить за рамки качества модели. Команды, оценивающие агентную платформу, должны спрашивать, как она справляется с сжатием памяти, извлечением, проектированием схем и проверяемостью. Яркая демонстрация, построенная на гигантских промптах, может провалиться, когда рабочие процессы растягиваются на сотни действий или когда бюджеты на инференс становятся жёстче.

Для исследователей Slay the Spire 2 предлагает полезный промежуточный бенчмарк между игрушечными задачами и грязным реальным внедрением. Он достаточно структурирован для контролируемого исследования, но достаточно длинен, чтобы выявить сбои в планировании и памяти. Если подход AgenticSTS воспроизводится в большем числе сценариев, он может повлиять на то, как проектируются системы ассистентов кодирования, браузерные агенты и инструменты автоматизации бизнес-процессов.

На что смотреть дальше

Следующий сигнал — независимая репликация. Если внешние исследователи, используя артефакты Hugging Face, смогут воспроизвести показатели побед, экономию токенов и улучшение задержки, утверждение об архитектуре памяти станет более убедительным.

Второй сигнал — более строгая абляция. Самым информативным продолжением было бы сравнение AgenticSTS с базовой линией, накапливающей транскрипты в той же кодовой базе, с той же моделью, тем же маршрутизацией и тем же скорингом.

Третье — более широкая генерализация. Результаты на большем числе персонажей Slay the Spire 2, более поздних патчах или других долгих задачах скажут больше о том, является ли дизайн надёжным или специфичным для бенчмарка.

Наконец, следите за коммерциализацией. Если поставщики фреймворков или компании, создающие модели, примут похожие паттерны структурированной памяти, концепции, которые сейчас тестируются в исследованиях, могут быстро перейти в коммерческих ИИ-агентов, корпоративные ИИ-стэки и инструменты для разработчиков.

Взгляд Creati.ai

Самая важная часть этой истории не в том, что агент выиграл несколько игровых запусков. Она в том, что исследователи рассматривают память как первоклассную проблему системного дизайна, а не как побочный эффект чата. Именно здесь многие развёрнутые ИИ-агенты всё ещё ломаются: они путают сохранение с повторным проигрыванием, поэтому каждый новый шаг тащит за собой слишком много нерелевантного прошлого.

Если результаты AgenticSTS подтвердятся, они укрепят взгляд, который многие разработчики уже подозревают: сырой размер контекста — это дорогая замена структурированному состоянию. На практике следующая волна надёжных ИИ-агентов может зависеть не только от больших моделей, но и от дисциплинированных слоёв памяти, политик извлечения и инструментов, которые предотвращают распад контекста ещё до того, как он начнётся.