一個名為 AgenticSTS 的專案背後的研究人員表示，他們透過以結構化記憶系統取代通常不斷增長的聊天歷史，改善了 AI 代理在卡牌遊戲 Slay the Spire 2 中的長時程表現。根據 The Decoder 報導的測試，當啟用戰術技能層時，該代理在遊戲最低難度下 10 次中贏了 6 次；而兩個使用傳統、以逐字稿為主提示方式的公開比較代理，據報在各自的測試中都未能獲勝。

這個結果不僅僅對遊戲基準有意義，因為它直接瞄準了 AI 代理的一個實務瓶頸：長任務往往會累積巨大的提示詞，進而拉高成本、延遲與錯誤率。AgenticSTS 的核心主張是，代理不需要為了在數百個步驟中保持一致行動，而反覆重播完整對話。相反地，它可以從一組緊湊的記憶槽中重建每次提示，而這些記憶槽只儲存特定類型的資訊。

根據 The Decoder 對論文的報導，這項工作來自 Alaya Lab、上海交通大學以及其他機構。研究人員選擇 Slay the Spire 2 作為測試案例，是因為一次遊玩包含許多連續選擇，規則可以用文字表示，而隨機性使脆弱策略更容易被暴露。對 AI 開發者而言，這項研究與其說是要打敗一款遊戲，不如說是在檢驗記憶架構能否取代粗暴的上下文擴張。

為什麼 Slay the Spire 2 是一個有用的壓力測試

Slay the Spire 2 對代理設計來說格外嚴苛。一次遊玩可能涵蓋路線規劃、卡組構築、戰鬥戰術、商店購買，以及跨越數百步的事件決策。這使它成為比一次性基準測試更好的持久性與規劃能力測試。The Decoder 指出，根據遊戲開發者的說法，人類玩家在最低難度 A0 的勝率約為 16%；而在 AGI-Eval 評估中，前沿模型代理據報在五種測試配置中一場都沒贏。

這個背景很重要，因為研究人員並不是在宣稱某個新模型突然解決了這款遊戲。他們的論點更窄，也更可操作：同一類大型語言模型的表現，可能會因為其歷史如何被表示與檢索而有所不同。

像 ReAct 和 Reflexion 這類傳統代理設計，往往會把觀察結果、工具輸出以及自我反思附加到下一個提示中。這種模式容易構建，但每一輪都會讓提示詞變得更長。隨著遊玩回合變長，代理可能面臨上下文長度上限，或讓注意力被過時資訊稀釋。這正是許多從業者現在所說的上下文腐壞。

AgenticSTS 如何重新組織記憶

據報導，AgenticSTS 避免將模型的原始進行中逐字稿直接送入模型。相反地，每個決策提示都是由五層記憶組成。The Decoder 將它們描述為固定指令層、當前狀態層、檢索到的遊戲規則層、前幾次遊玩的摘要層，以及儲存可重複使用戰術規則的策略技能層，供重複出現的情境使用。

這種分離是主要的設計貢獻。若前一步驟中的資訊很重要，就必須先寫入這些記憶儲存之一。實務上，這代表模型看到的是較短、經過篩選的提示，而不是一長串自己做過所有事情的巨型日誌。據報，提示長度即使在一輪遊玩後期也維持在約 5,000 個 token，相較之下，會重送完整歷史的基線代理，其提示長度會成長到數十萬 token。

這也讓研究人員更容易檢視到底什麼有幫助。與其把「記憶」視為一團模糊的東西，不如可以把不同層開關切換。The Decoder 描述的主要比較中，一個沒有記憶層的代理贏了 10 次中的 3 次。加入 L5 戰術技能庫後，勝率提升到 10 次中的 6 次。文章指出，無論技能是手寫的還是由模板生成的，結果都一樣。

這是一個值得注意的結果，但研究人員自己似乎也很小心，不願過度宣稱。由於每種條件只有 10 次測試，據報他們承認這項改善可能有部分來自雜訊。

最大的收益可能在成本與延遲，而不只是勝場

更乾淨的效能故事，也許來自營運層面，而不只是純粹的基準分數。The Decoder 報導，使用逐字稿遞增方式的公開比較代理 STS2MCP 與 CharTyr，在所報導的設定下，各自 5 次測試都沒有獲勝。更驚人的是，據報它們每獲得 1 分所消耗的 token 數，是 AgenticSTS 的 66 到 90 倍。

一個引用的例子說明了原因。在 STS2MCP 中，據報一個遊戲後期的模型呼叫會達到約 527,000 個 token，因為整個遊戲歷史都被重新送入。相比之下，AgenticSTS 將當前使用者文字維持在約 5,000 token。文章也指出，逐字稿較重的代理達到相同程度大約需要四倍時間，而供應商統計將 96% 的延遲歸因於模型延遲，而非協調開銷。

對於在企業環境中打造 AI 代理 的團隊來說，這可能是更可轉移的教訓。許多生產工作流程已經在程式開發助理、客服、研究與工作自動化等用例中，遭遇上下文膨脹問題。如果結構化記憶能在大幅縮小提示詞的同時保留足夠連續性，回報就是更低的推理成本、更好的回應速度，以及因雜訊歷史而導致的推理失誤可能減少。

證據支持了什麼，以及沒有支持什麼

這篇故事中的證據來自對底層研究的媒體報導，而非公司發布或獨立基準審計，因此需要謹慎看待。The Decoder 報導，關鍵指標總共基於 50 次遊玩，而且只測試了一個可遊玩的角色 Silent，且僅在一個遊戲版本上進行。這使得這種方法在補丁、角色或其他長時程環境中的泛化能力仍未明朗。

文章也指出，這並不是在同一程式碼庫中、針對逐字稿累積所做的乾淨 apples-to-apples 消融實驗。STS2MCP 與 CharTyr 在路由與決策批次處理，以及記憶處理方式上，都與 AgenticSTS 不同。因此，雖然這個比較可作為目前公開代理版圖的一個快照，但它無法把結構化記憶單獨切分為差距的唯一原因。

跨模型轉移的結果也顯示，記憶本身可能沒有某些開發者希望的那麼可重用。據報研究人員將 Gemini 3.1 Pro 累積的記憶堆疊凍結後，再轉交給 Qwen 3.6-27B 與 Deepseek V4-Pro。據報 Qwen 3.6-27B 的平均分數上升了 84.5%，而 Deepseek V4-Pro 的分數下降了 18.1%。兩個模型都沒有贏得遊戲。如果這個發現成立，記憶格式可能需要針對產生與消費它們的模型量身定制。

即便如此，這個專案似乎對可重現性做出了有用貢獻。The Decoder 表示，團隊正在 Hugging Face 上發布 298 次完整遊戲記錄、凍結的記憶快照與評估腳本。這應該能讓外部團隊更容易測試替代記憶設計，而不必從零重建環境。

這對 AI 代理與企業 AI 為何重要

更廣泛的含意是，更好的 AI 代理可能不再主要來自更大的上下文視窗，而是來自顯式的記憶管理。這會改變工程問題。與其問如何把更多 token 塞進模型，不如問哪些資訊值得長期儲存、應該如何摘要、何時應該檢索，以及哪些決策需要新的狀態，而哪些則依賴持久技能。

這也與市場上更廣泛的趨勢一致。The Decoder 指出 Anthropic 在 Memory Tool 與 Context Editing 上的工作，其目標是將過時的工具結果從即時上下文中移除，並把持久資訊移到外部儲存中。文章也提到 GAM 和 Mastra 是其他試圖在原始提示之外管理記憶的努力。這些專案實作不同，但共享類似前提：讓上下文無限制地增長，對長時間運作的 AI 代理而言通常是錯誤預設。

對企業 AI 採購方來說，這表示採購問題應該超越模型品質。評估代理平台的團隊應該詢問它如何處理記憶壓縮、檢索、schema 設計與可稽核性。一個建立在巨大提示詞上的炫目示範，當工作流程延伸到數百個動作，或推理預算變得緊繃時，可能會失敗。

對研究人員而言，Slay the Spire 2 提供了一個介於玩具任務與混亂真實部署之間的有用中介基準。它結構化程度足以進行受控研究，但又夠長，能揭示規劃與記憶方面的失敗。如果 AgenticSTS 的方法在更多情境中都能重現，它可能會影響程式碼助理系統、瀏覽器代理與業務流程自動化工具的架構設計。

接下來要觀察什麼

下一個訊號是獨立重現。如果外部研究人員使用 Hugging Face 工件能重現勝率、token 節省與延遲改善，那麼關於記憶架構的主張就會更可信。

第二個訊號是更嚴格的消融。最有資訊量的後續研究，會是在同一個程式碼庫中，以相同模型、相同路由、相同評分，將 AgenticSTS 與會累積逐字稿的基線做比較。

第三，要注意更廣泛的泛化。更多 Slay the Spire 2 角色、較晚的補丁，或其他長時程任務上的結果，會更能說明這個設計是穩健的，還是只對該基準有效。

最後，也要留意產品化。如果框架供應商或模型公司採用類似的結構化記憶模式，那麼目前正在研究中測試的概念，可能很快就會流入商業 AI 代理、企業 AI 技術棧與開發者工具。

Creati.ai 觀點

這則故事最重要的部分，不是某個代理贏了幾場遊戲，而是研究人員把記憶視為一個一級系統設計問題，而不是聊天的副作用。這正是許多已部署 AI 代理仍然失敗的地方：它們把持續性和重播混為一談，因此每一步都拖著太多無關的過去。

如果 AgenticSTS 的結果站得住腳，它們會強化許多開發者已經懷疑的觀點：原始上下文長度是結構化狀態的昂貴替代品。在實務上，下一波可靠的 AI 代理，可能不會只依賴更大的模型，而會更依賴有紀律的記憶層、檢索策略，以及在上下文腐壞開始前就能阻止它的工具。