AI代理在《杀戮尖塔2》中获胜：研究人员用结构化记忆替换增长聊天记录

大语言模型智能体在完成涉及多步决策的任务时，通常将每一步的观察、推理和行动追加到提示词中，导致上下文窗口迅速膨胀。这种现象被称为“上下文腐烂”，不仅大幅增加token消耗和延迟，还可能稀释模型注意力，降低决策质量。

研究者选择《Slay the Spire 2》作为测试环境，该游戏包含数百步决策（选卡、战斗、路线规划等），随机性强，且人类玩家在高难度下胜率仅约16%。此前，前沿模型在该游戏上的表现极差，AGI-Eval评估中无一胜绩。

AgenticSTS摒弃了传统的累积日志模式，每步决策都从五个固定的记忆层重新构建提示：L1固定协议指令，L2当前游戏状态与合法动作模式，L3可检索的游戏规则，L4过往运行的摘要，L5触发式技能库。

这种设计确保提示长度恒定（约5000 token），且每层独立管理，便于研究人员精确定位哪个组件带来了性能提升。

在最低难度A0下，无任何记忆层的智能体10局胜3局（30%）；启用L5技能库后，胜率跃升至60%（6/10）。然而研究者指出，由于每条件仅10局，该结果可能为统计噪声。

在难度升级测试中，启用跨局记忆的智能体达到A6-A8层级，而无记忆的仅止步于A2-A4。这表明记忆对于应对更高难度至关重要。

效率方面，AgenticSTS每步实际用户文本约为5000 token，而两个对比智能体STS2MCP和CharTyr由于采用累积日志，单步调用token数最高达52.7万，耗时是AgenticSTS的4倍，且96%的延迟来自模型响应等待。

研究者尝试将Gemini 3.1 Pro积累的记忆堆栈冻结后传递给Qwen 3.6-27B和Deepseek V4-Pro。前者平均得分提升84.5%，后者下降18.1%，且两者均未获胜。这说明记忆内容与产生它的模型强绑定，跨模型迁移效果不稳定。

该研究的主要局限包括：仅测试了“静默”一个角色，总运行次数仅50局，且未在相同代码框架下直接对比累积上下文方法。研究者承认，与公开智能体的差距反映了当前技术生态现状，而非单一记忆因素的消融效果。

AgenticSTS展示了结构化记忆在解决上下文膨胀问题上的巨大潜力：在更高效的token使用下实现更高胜率。然而，记忆的通用性、跨模型迁移以及更严谨的消融实验仍有待探索。研究者已公开298局完整运行数据、记忆快照和评估脚本，供学界进一步研究。

该方向与Anthropic的Memory Tool、中国的GAM框架、开源Mastra等项目共同推动了AI智能体记忆机制的革新，但如何设计既高效又通用的记忆架构，仍是开放问题。