agenti AI vincono a Slay the Spire 2 dopo che i ricercatori sostituiscono i log di conversazione crescenti con una memoria strutturata

Frontier models have repeatedly failed at the digital card game Slay the Spire 2. A new memory architecture shows that the problem isn't so much the model itself but what it carries forward from previous moves.

How much of its past conversation should an AI agent even see when it's chasing a goal across hundreds of decisions? The AgenticSTS project, built at Alaya Lab with Shanghai Jiao Tong University and other institutions, flips the usual answer. The agent never sees its own chat log but instead rebuilds each decision from a fixed catalog of neatly organized information.

AgenticSTS doesn't carry an ever-growing log. It rebuilds each decision from five organized memory layers. | Image: Cheng et al.

The researchers picked the deck-building roguelike Slay the Spire 2 as their test bed. A single playthrough involves hundreds of decisions, from picking cards and planning fights to choosing routes on the map and buying items. The rules translate fully into text, randomness is high, and runs are long. Human players win 16 percent of the time on the lowest difficulty level, A0, according to the developers. Frontier models used in the AGI-Eval assessment didn't win a single game across five tested setups. The game is hard but open-ended enough that architectural differences show up clearly.

A battle in Slay the Spire 2. The agent derives its decisions from game states like this one, with cards, enemies, and stats all represented as text. | Image: Cheng et al.

Cinque slot sostituiscono un log crescente

Tipici agenti LLM come ReAct o Reflexion aggiungono alle osservazioni passate, ai chiamati strumenti e alle auto-reflessioni nel prompt successivo. Il contesto cresce con ogni passo fino a quando la finestra del modello non si sovraccarica o l'attenzione del modello si diluisce. AgenticSTS opera al contrario. Per ogni decisione, il prompt è costruito da zero a partire da cinque slot chiaramente separate.

I cinque slot in dettaglio. L1 e L2 sono fissi, L3 è recuperabile, e L4 e L5 imparano tra le esecuzioni. Il grafico a destra mostra il vantaggio di punti rispetto ai modelli testati. | Image: Cheng et al.

L1 contiene istruzioni fisse protocollo, L2 tiene schemi di stato con azioni validi, L3 conserva regole del gioco recuperabili, L4 è costituito da sommari di partite precedenti e L5 ha competenze attivate in situazioni specifiche. Qualsiasi elemento l'agente vuole portare avanti da una decisione precedente deve essere prima scritto in uno di questi spazi di memorizzazione. Questo mantiene il prompt breve indipendentemente da quanto duri l’esecuzione e, essendo ogni livello indirizzato separatamente, i ricercatori possono determinare con precisione che modulo effettivamente guida un miglioramento.

Una libreria di competenze raddoppia il tasso di vittorie

Nel confronto principale, il team ha eseguito cinque configurazioni testate a vicenda, dieci esecuzioni ciascuna alla difficoltà più bassa, A0. Senza strati di memoria, l’agente vince 3 su 10 partite. Una volta attivata la libreria di competenze L5, che immagazzina regole tattiche per situazioni ricorrenti, il tasso di vittoria salta a 6 su 10. Questo risultato si mantiene che le competenze siano state create a mano o generate da modelli.

Solo quando l’agente impara fra partite riesce a raggiungere i livelli di difficoltà più alti A6 attraverso A8. Senza tale memoria, il livello massimo è di A2 attraverso A4. | Image: Cheng et al.

Con soli dieci runs per condizione, gli stessi autori ammettono che la riduzione potrebbe essere causata dal rumore. Le memorie episodiche di run precedenti (L4) non contribuiscono ad A0, e contano solo quando l’agente, in una seconda modalità di test, tenta il livello di difficoltà superiore subito dopo ogni vittoria. Con una memoria attiva che aggiorna i dati tra i runs, l’agente arriva a livelli A6 attraverso A8. Senza di essa, le gare si fermano a livelli A2 attraverso A4.

Nell’esperimento separato, i ricercatori hanno testato se la conoscenza accumulata da un modello si trasferisse ad altri. Hanno congelato una struttura di memoria che Gemini 3.1 Pro aveva acquisito nel corso delle sue partite e passato identica a due diversi modelli. Qwen 3.6-27B ha visto crescere la sua media dei punteggi del 84,5 percento, mentre il punteggio di Deepseek V4-Pro è sceso del 18,1 percento. Nessun modello ha vinto una partita. I contenuti della memoria sembrano essere legati al modello che li ha creati e trasferisi male.

I costi in token rivelano il vero divario

Più interessante delle modifiche all’architettura della propria base di codice è il confronto con due agenti pubblici per Slay the Spire 2 che seguono lo stile classico dei log crescenti: STS2MCP e CharTyr. Gli agenti hanno utilizzato Gemini 3.1 Pro per le decisioni strategiche. Né uno né l'altro hanno vinto il proprio run.

Paragonato a due agenti disponibili pubblicamente con log crescenti, AgenticSTS vince più spesso e impiega molto meno tempo e token. | Image: Cheng et al.

Le cifre dei costi sono addirittura più significative: per ogni punto che i due concorrenti ottengono, inviano 66 a 90 volte più token al modello linguistico rispetto ad AgenticSTS. Il motivo è esattamente il log crescente. In STS2MCP, una chiamata singola verso la fine di una partita ha raggiunto circa 527.000 token proprio perché l’intera cronologia del gioco viene riespedita con ogni decisione successiva. AgenticSTS mantiene la quantità effettiva di testo utente intorno agli 5.000 token, a prescindere da quanto lungo sia stato il gioco.

Gli agenti crescenti pagano anche un prezzo in tempo, impiegando quattro volte di più per raggiungere lo stesso livello. Secondo le statistiche del fornitore, il 96 percento di questa perdita di tempo è dovuta alla latenza del modello, ovvero al semplice tempo di attesa risposta del modello linguistico e non al software di controllo circostante.

Il cuore inesauribile di efficienza. I prompt competitivi crescono a centinaia di token per turno, mentre AgenticSTS mantiene circa 5.000 token a prescindere dalla durata della partita. | Image: Cheng et al.

Gli autori riconoscono che questa non è un’esperimento ablativo puro. STS2MCP e CharTyr differiscono dagli AgenticSTS anche in routing e batching delle decisioni, perciò lo scarto riflesse lo stato attuale del panorama pubblico, e non un effetto isolabile della struttura della memoria, dicono.

Quello che manca ancora

Il gruppo non ha sperimentato il test centrale: giocare con un contesto accumulativi all'interno dello stesso codice utilizzando lo stesso punteggio. Le metriche primarie si basano su 50