结构化记忆帮助AI代理赢下《杀戮尖塔2》
The Decoder··作者 Jonathan Kemper
关键信息
在主要的 A0 对比中，没有记忆层的配置赢了 10 局中的 3 局，而开启 L5 技能库后提升到 10 局中的 6 局；作者也承认样本很小，胜率翻倍可能存在噪声。与另外两个持续累积转录内容的代理 STS2MCP 和 CharTyr 相比，AgenticSTS 每得到 1 分大约只消耗它们 66 到 90 分之一的 token，而且 STS2MCP 在一局后期的单次调用甚至达到了约 527,000 个 token。
资讯摘要
一个名为 AgenticSTS 的项目认为，长时程 AI 代理面临的关键问题不只是模型本身，而是它在每一步决策之间携带了什么记忆。该项目由阿拉亚实验室、上海交通大学及其他机构的研究者合作完成，他们把《Slay the Spire 2》作为测试场景，因为这是一款构筑牌组式 roguelike 游戏，一局通常包含数百次决策。这个游戏既适合文本交互，又具有很强的随机性，而且流程足够长，足以让不同架构之间的差异显现出来。文章提到，开发者数据显示，人类玩家在最低难度 A0 上的胜率约为 16%，而 AGI-Eval 中使用的前沿模型在五种测试配置里都没有赢过一局。与 ReAct 或 Reflexion 这类会不断追加转录内容的代理不同，AgenticSTS 每次都会重新根据五个固定槽位构建提示词。L1 保存协议指令，L2 保存状态模式和当前可用动作，L3 检索游戏规则，L4 汇总此前回合的经历，L5 则存放针对常见情境触发的策略技能。这样做可以让提示词保持有界，同时也使每个记忆组件都能被单独观察和测试。主实验中，研究团队在难度 A0 下对五种配置各进行了十次运行。
没有任何记忆层的基线方案赢了 10 局中的 3 局，而开启 L5 技能库后提升到 10 局中的 6 局，而且无论这些技能是人工编写还是由模板生成，结果都成立。作者也明确表示，由于每种条件只有十次运行，这个提升未必具有足够强的统计稳健性。L4 的情景记忆在 A0 上没有帮助，但在第二种测试模式中，它就很重要，因为代理会在每次获胜后继续挑战更高难度；启用主动记忆时，代理能推进到 A6 到 A8，而没有主动记忆时只能停留在 A2 到 A4。文章还把 AgenticSTS 与两个公开代理 STS2MCP 和 CharTyr 做了比较，这两者都遵循经典的转录累积模式。它们都使用 Gemini 3.1 Pro 进行策略决策，但在五次运行中都没有赢过一局。成本差距非常明显：这些系统每得到 1 分，发送给模型的 token 数量大约是 AgenticSTS 的 66 到 90 倍；其中 STS2MCP 在一局后期的一次调用甚至达到了约 527,000 个 token，因为它每次都会重新发送完整历史。相比之下，AgenticSTS 的实际用户文本始终维持在约 5,000 个 token 左右，不会随着游戏时间增长而膨胀。文章还指出，这些不断累积日志的代理总耗时大约是 AgenticSTS 的四倍，其中 96% 的时间损失来自模型延迟，也就是等待模型响应的时间。
来源与参考