ИИ-агенты стали выигрывать в Slay the Spire 2 после того, как исследователи заменили растущие логи чата структурированной памятью

Карточная игра-рогалик Slay the Spire 2 стала полигоном для проверки того, как ИИ-агенты используют память в длинных многошаговых задачах: одна партия требует сотен решений, выбор карт, планирование боёв, выбор маршрута на карте, покупка предметов. Люди выигрывают на самой низкой сложности (уровень A0) в 16% партий. Топовые модели, протестированные в рамках оценки AGI-Eval, не выиграли ни одной партии ни в одной из пяти испытанных конфигураций. Команда из исследовательской лаборатории Alaya Lab совместно с Шанхайским университетом Цзяотун и другими институтами показала: проблема не столько в самой модели, сколько в том, что агент переносит с собой из предыдущих ходов.

Обычные агенты на основе больших языковых моделей, подходы вроде ReAct или Reflexion, дописывают в подсказку для следующего шага всё новые наблюдения, вызовы инструментов и собственные рассуждения: контекст растёт с каждым шагом, пока не переполнит окно модели или не «размоет» её внимание. Разработанная командой система AgenticSTS поступает наоборот: для каждого решения подсказка собирается заново из пяти чётко разделённых слотов. L1 хранит фиксированные инструкции протокола, L2, схему текущего состояния игры с доступными действиями, L3, извлечённые правила игры, L4, сжатые сводки предыдущих прогонов, L5, стратегические навыки, которые подключаются в конкретных ситуациях. Всё, что агент хочет перенести из прошлого решения, должно быть сначала записано в один из этих слотов. Благодаря этому подсказка остаётся короткой независимо от длины партии, а поскольку каждый слот обрабатывается отдельно, исследователи могут точно определить, какой именно компонент отвечает за улучшение результата.

В основном сравнении команда прогнала пять конфигураций друг против друга, по 10 партий на самой низкой сложности A0. Без каких-либо слоёв памяти агент выигрывает 3 партии из 10. При включении библиотеки навыков L5, которая хранит тактические правила для повторяющихся ситуаций, доля побед удваивается до 6 из 10, причём неважно, написаны ли навыки вручную или сгенерированы по шаблонам. Сами авторы признают: при всего 10 прогонах на конфигурацию такое удвоение может оказаться статистическим шумом. Память о прошлых партиях (слой L4) на уровне A0 не помогает вовсе и начинает играть роль только в другом режиме испытаний, когда агент после каждой победы пытается пройти следующий, более высокий уровень сложности. С активной памятью, которая обновляется между прогонами, агент доходит до уровней A6, A8; без неё прогресс останавливается на уровнях A2, A4.

В отдельном эксперименте исследователи проверили, переносятся ли знания, накопленные одной моделью, на другие. Они заморозили стек памяти, который модель Gemini 3.1 Pro накопила в собственных партиях, и без изменений передали его двум другим моделям. У Qwen 3.6-27B средний счёт вырос на 84,5%, а у Deepseek V4-Pro, наоборот, упал на 18,1%. Ни одна из двух моделей при этом так и не выиграла партию целиком. Вывод авторов: содержимое памяти привязано к модели, которая его создала, и плохо переносится на другие модели.

Более показательным, чем внутренние вариации в собственном коде команды, оказалось сравнение с двумя публично доступными агентами для Slay the Spire 2, STS2MCP и CharTyr, которые работают по классической схеме растущей стенограммы диалога. Все агенты в этом сравнении использовали для стратегических решений одну и ту же модель, Gemini 3.1 Pro. Ни один из двух конкурентов не выиграл ни одной из своих 5 партий. Разница в стоимости ещё разительнее: на каждое набранное очко оба конкурента отправляют модели в 66, 90 раз больше токенов, чем AgenticSTS. Причина, растущий лог: в STS2MCP один-единственный запрос к модели ближе к концу партии достигал примерно 527 000 токенов, потому что вся история игры пересылалась заново при каждом новом решении. У AgenticSTS объём реального пользовательского текста держится на уровне около 5 000 токенов независимо от того, как долго длится партия. Агенты с растущим логом платят и временем: по статистике поставщика модели, они тратят на достижение того же уровня в четыре раза больше времени, и 96% этой потери приходится именно на задержку ответа модели, а не на управляющий код вокруг неё. Авторы оговариваются, что это не чистое сравнение «при прочих равных»: STS2MCP и CharTyr отличаются от AgenticSTS ещё и маршрутизацией запросов, и группировкой решений, так что разрыв отражает скорее текущее состояние публичных решений, чем изолированный эффект самой архитектуры памяти.

У работы остаются открытые вопросы. Команда пока не прогнала агента с растущим контекстом в том же самом коде и по той же методике оценки, это они называют «настоящим тестом», который ещё только предстоит провести. Ключевые метрики основаны на 50 прогонах, протестирован пока только один игровой персонаж (Silent) и одна версия игры; сработает ли подход для других персонажей и патчей, пока неизвестно. Тем не менее команда публикует на платформе Hugging Face 298 полных прогонов игры, замороженные снимки памяти и скрипты для оценки, чтобы другие исследовательские группы могли проверить альтернативные архитектуры памяти в той же самой среде. Итоговый вывод авторов скромнее, чем может показаться на фоне впечатляющих цифр в сравнении с конкурентами: разделение памяти агента на чётко поименованные слои позволяет впоследствии установить, какой именно слой отвечает за какое поведение.

Эффективная память для ИИ-агентов сейчас одна из самых активных областей исследований. Чат-лог, который растёт с каждым шагом, делает модели медленнее, дороже и менее точными, исследователи называют это явление «загниванием контекста» (context rot). AgenticSTS, не единственная попытка решить эту проблему: компания Anthropic использует функции Memory Tool («инструмент памяти») и Context Editing («редактирование контекста»), которые автоматически убирают из контекста устаревшие результаты вызовов инструментов и сохраняют важную информацию во внешних файлах, по собственным тестам компании, это сократило расход токенов в сценарии со 100 раундами веб-поиска на 84%. Китайский фреймворк GAM разделяет архивирование и извлечение информации между двумя специализированными агентами. Фреймворк Mastra с открытым исходным кодом сжимает переписку в короткие текстовые заметки, которые хранятся вне контекстного окна, по образцу того, как память устроена у человека.

Ключевые факты

Игра Slay the Spire 2: люди выигрывают 16% партий на самой низкой сложности A0, а топовые модели в оценке AGI-Eval не выиграли ни одной партии ни в одной из пяти конфигураций.
Система AgenticSTS (Alaya Lab, Шанхайский университет Цзяотун) вместо растущего чат-лога собирает подсказку заново из пяти фиксированных слотов памяти: протокол, схема состояния, правила игры, сводки прошлых партий и библиотека тактических навыков.
Библиотека навыков (L5) удвоила победы на A0, с 3 до 6 партий из 10; память о прошлых партиях (L4) не помогает на A0, но при последовательном повышении сложности доводит агента до уровня A6, A8 против A2, A4 без неё.
Память, накопленная моделью Gemini 3.1 Pro, плохо переносится на другие модели: у Qwen 3.6-27B средний счёт вырос на 84,5%, у Deepseek V4-Pro упал на 18,1%, и ни одна из них так и не выиграла партию целиком.
По сравнению с публичными агентами STS2MCP и CharTyr (растущий лог диалога) AgenticSTS тратит в 66, 90 раз меньше токенов на очко: пиковый запрос STS2MCP доходил примерно до 527 000 токенов против около 5 000 у AgenticSTS, а конкуренты медленнее в 4 раза, 96% этой задержки приходится на ожидание ответа модели.

Почему это важно

Slay the Spire 2 здесь не самоцель, а чистый полигон: сотни решений в одной партии, полностью текстовые правила, высокая случайность и длинные горизонты планирования делают игру удобным зеркалом для любой продолжительной агентной задачи, от программирования до поддержки пользователей и исследовательских агентов. Вывод статьи шире, чем сама игра: провал ИИ-агентов на длинных задачах часто объясняется не слабостью модели, а тем, что и в каком виде агент тащит с собой из прошлых шагов. Разрастающийся лог диалога («загнивание контекста», context rot) одновременно снижает точность, увеличивает задержку ответа и стоимость запросов, авторы показывают, что архитектурное решение (чётко разделённая память вместо одного растущего текста) способно кардинально изменить результат при той же самой базовой модели.

Кому это важно

Разработчикам агентных систем и фреймворков (в духе ReAct, Reflexion), которые проектируют, как агент хранит и переиспользует контекст между шагами. Компаниям, которые оплачивают токены для агентов, уже работающих у реальных пользователей: рост стоимости и задержки в 66, 90 раз при той же задаче, это прямые деньги и время ответа. Исследователям, изучающим перенос знаний между моделями: эксперимент с Gemini, Qwen и Deepseek показывает, что готовую память нельзя просто передать другой модели и ждать такого же эффекта. Разработчикам игровых ИИ и оценочных сред, использующим Slay the Spire 2 и похожие карточные рогалики как бенчмарк для планирования и стратегии.

Как это применить

Практическая идея переносится далеко за пределы игр: вместо того чтобы дописывать в подсказку всё подряд, можно разложить память агента на именованные слои с разными ролями, фиксированные инструкции, схема текущего состояния и допустимых действий, релевантные правила или документация, сжатые сводки прошлого опыта и библиотека готовых тактических приёмов для повторяющихся ситуаций. Такое разделение держит подсказку компактной независимо от длины задачи и позволяет по отдельности включать, выключать и тестировать каждый слой. Команда открыла на платформе Hugging Face 298 полных прогонов игры, замороженные снимки памяти и скрипты оценки, их можно использовать как готовую среду для проверки собственных архитектур памяти агента, не выстраивая тестовый стенд с нуля.

Можно ли доверять

Авторы сами обозначают границы результатов, и это стоит учитывать. Удвоение доли побед (3 из 10 → 6 из 10) получено всего на 10 прогонах на конфигурацию, исследователи сами допускают, что это может быть статистическим шумом, а не устойчивым эффектом. Сравнение по токенам и времени с публичными агентами STS2MCP и CharTyr, не чистый эксперимент «при прочих равных»: эти агенты отличаются от AgenticSTS ещё и маршрутизацией запросов, и группировкой решений, так что часть разрыва может объясняться не только архитектурой памяти. Все ключевые метрики построены на 50 прогонах с единственным игровым персонажем (Silent) в одной версии игры, перенос выводов на других персонажей и патчи пока не проверен. При этом команда прозрачна в отношении этих ограничений: она сама называет предстоящий чистый эксперимент «настоящим тестом», который ещё только предстоит провести, и публикует исходные данные и скрипты, что позволяет независимо перепроверить выводы.

Риски и подводные камни

Память, накопленная одной моделью, плохо переносится на другую: перенос памяти от Gemini 3.1 Pro улучшил средний счёт Qwen 3.6-27B на 84,5%, но ухудшил результат Deepseek V4-Pro на 18,1%, и обе модели всё равно не выиграли ни одной партии целиком, готовую память нельзя просто скопировать между разными моделями и рассчитывать на перенос навыка. Малое число прогонов (10 на конфигурацию, 50 в ключевых метриках) оставляет место для случайности в самых ярких цифрах статьи. Главный контрольный эксперимент, растущий контекст в том же самом коде и по той же методике, ещё не проведён, поэтому нельзя однозначно отделить эффект архитектуры памяти от эффекта других отличий (маршрутизация запросов, группировка решений) в сравнении с конкурентами. Наконец, всё протестировано только на одном персонаже и одной версии игры, так что перенос выводов на другие сценарии, персонажей или на задачи за пределами игр остаётся открытым вопросом.