ИИ научился побеждать в Slay the Spire 2: секрет в структурной памяти

Когда контекст убивает агента

Есть проблема, о которой в индустрии говорят вполголоса: чем дольше работает LLM-агент, тем хуже он принимает решения. Не потому что модель тупеет — а потому что её контекст превращается в свалку. Каждый ход добавляет новые наблюдения, вызовы инструментов, саморефлексию. К середине долгой партии агент буквально тонет в собственной истории.

Именно это и происходило с ИИ-агентами в карточной рогалике Slay the Spire 2. Команда из Alaya Lab совместно с Shanghai Jiao Tong University взялась не за улучшение самой модели, а за переосмысление того, что агент вообще должен «помнить» в момент принятия решения.

Почему Slay the Spire 2 — идеальный полигон

Выбор тестовой среды — осознанный и умный. Slay the Spire 2 — это сотни последовательных решений за одну партию: какие карты брать, как строить колоду, куда идти на карте, что покупать у торговца. Правила полностью формализованы и переводятся в текст, случайность высокая, партии длинные. Это не шахматы с детерминированным деревом — здесь нужна стратегическая адаптация в условиях неопределённости.

Контрольные цифры говорят сами за себя: люди выигрывают 16% партий на минимальной сложности (уровень A0). Пять конфигураций топовых фронтирных моделей в рамках бенчмарка AGI-Eval показали ровно ноль побед. Потолок не достигнут, дно пробито — идеальные условия для измерения архитектурных различий.

Пять слоёв вместо бесконечного лога

Архитектура AgenticSTS радикально отличается от стандартных подходов вроде ReAct или Reflexion. Там агент просто дописывает в промпт всё новые и новые наблюдения — и контекст раздувается с каждым ходом, потенциально перевалив за 500 тысяч токенов за партию. AgenticSTS делает ровно наоборот.

Каждое решение агент принимает на основе свежесобранного промпта из пяти фиксированных слоёв:

- L1 — неизменные протокольные инструкции - L2 — схемы текущего состояния игры и допустимые действия - L3 — извлечённые правила игры (фильтруемая база знаний) - L4 — эпизодические резюме предыдущих партий - L5 — стратегические навыки, активируемые под конкретные ситуации

Никакого сырого лога переписки между решениями. Промпт остаётся в районе 5 000 токенов независимо от длины партии. Авторы сами описывают это как «контракт»: не хранилище текста, а формальное соглашение о том, что каждому решению разрешено видеть.

Что реально работает: библиотека навыков удваивает победы

Основной эксперимент — пять конфигураций по десять партий каждая на уровне A0. Без каких-либо слоёв памяти агент берёт 3 партии из 10. Включение слоя L5 с тактическими навыками для типичных ситуаций — и результат прыгает до 6 из 10. Причём неважно, написаны ли навыки вручную или сгенерированы по шаблонам.

Авторы честно оговариваются: при выборке в 10 партий статистическая значимость низкая (Fisher exact p ≈ 0.37). Это «направленный», а не «решающий» результат. Но сам факт удвоения там, где конкуренты не брали ни одной победы — это уже разговор.

Эпизодическая память L4 (резюме прошлых партий) на уровне A0 практически не помогает. Она включается, когда агент начинает прогрессировать по уровням сложности после каждой победы: без накопленной памяти агент застревает на A2–A4, с активным обновлением между партиями — добирается до A6–A8.

Перенос знаний между моделями: неожиданный результат

Один из самых интригующих экспериментов — проверка переносимости накопленных знаний. Исследователи заморозили стек памяти, который Gemini 3.1 Pro собрал в своих партиях, и передали его двум другим моделям без изменений. Qwen 3-27B показал прирост среднего результата на +84.5%. А вот DeepSeek получил -18.1% — чужая стратегия не просто не помогла, но и навредила.

Это важный сигнал для всей индустрии: стратегические знания агента не нейтральны. Они заточены под конкретный способ рассуждения конкретной модели. Слепой перенос — это лотерея.

Что это значит для разработчиков агентов

Главный вклад AgenticSTS — не победный счёт, а методология. Команда выпускает 298 завершённых траекторий с тегами условий, замороженные снимки памяти и навыков, записи промптов и скрипты анализа. Это готовый стенд для аблационных исследований — можно брать и тестировать собственные архитектуры памяти, не строя инфраструктуру с нуля.

Для разработчиков практический вывод прост и жёсткий: накапливающийся контекст — это не фича, это долг. Каждый новый токен в истории — это потенциальное замутнение внимания модели. Структурированное, типизированное извлечение информации по требованию работает лучше, чем «свалить всё в промпт и надеяться».

Сравните с тем, что делают конкурирующие подходы: ReAct и Reflexion при длинных горизонтах буквально захлёбываются собственным контекстом. AgenticSTS показывает, что потолок в 0 побед — это не предел модели, это предел архитектуры памяти.

Ограничения и перспективы

Будем честны: карточная игра — это не браузерный агент и не программист. Задачи с открытым миром, неформализованными правилами и нечёткими целями — совсем другая история. Десять партий на условие — статистически тонко. И пока неизвестно, какая именно модель стоит за основными числами.

Но направление верное. Память агента как формальный контракт, а не как помойное ведро — это концептуальный сдвиг, который индустрии давно нужен. Когда LLM-агенты начнут работать в по-настоящему длинных горизонтах — в автономных рабочих процессах, в научных исследованиях, в управлении проектами — именно такие архитектурные решения определят, кто будет выигрывать, а кто тонуть в собственном прошлом.

Информация подтверждена несколькими независимыми публикациями, включая оригинальный препринт на arXiv и разборы в специализированных изданиях.