Null seire på fem oppsett. Det var fasiten da AGI-Eval testet ledende språkmodeller på kortspillet Slay the Spire 2, der menneskelige spillere vinner 16 prosent av rundene på laveste vanskelighetsgrad. Prosjektet AgenticSTS, bygget ved Alaya Lab sammen med Shanghai Jiao Tong University, mener problemet ikke ligger i modellen, men i hva agenten drar med seg videre, skriver The Decoder.
Vanlige agentløkker som ReAct og Reflexion legger hver observasjon, hvert verktøykall og hver refleksjon oppå forrige prompt. Konteksten vokser for hvert steg til vinduet renner over eller modellens oppmerksomhet tynnes ut. AgenticSTS bygger i stedet prompten på nytt for hver eneste avgjørelse, fra fem adskilte lag: protokollinstrukser (L1), tilstandsskjema med gyldige trekk (L2), oppslåtte spillregler (L3), sammendrag av tidligere runder (L4) og strategiske ferdigheter (L5). Vil agenten ta noe med seg videre, må det først skrives inn i et av lagene.
Det er ferdighetsbiblioteket som gjør jobben. Uten minnelag vinner agenten 3 av 10 runder; med L5 påslått vinner den 6 av 10, enten ferdighetene er håndskrevne eller malgenererte. Forfatterne understreker selv at doblingen kan være støy, siden hvert oppsett bare ble kjørt ti ganger. Minnet ser også ut til å være bundet til modellen som skrev det: da forskerne frøs minnelageret Gemini 3.1 Pro hadde bygget opp og ga det uendret til andre modeller, hevet Qwen 3.6-27B snittscoren 84,5 prosent, mens Deepseek V4-Pro falt 18,1 prosent. Ingen av dem vant en eneste runde.
Den skarpeste forskjellen er regningen. Målt mot to offentlig tilgjengelige Slay the Spire 2-agenter som følger det klassiske mønsteret med voksende logg, STS2MCP og CharTyr, sender AgenticSTS langt færre tokens per poeng den scorer.
Forfatterne innrømmer at dette ikke er en ren ablasjonsstudie. STS2MCP og CharTyr skiller seg fra AgenticSTS også i ruting og batching, så gapet sier mer om tilstanden i feltet enn om minnearkitekturen isolert. Foreløpig er bare én karakter (Silent) testet på én spillversjon, og 298 fullstendige spillrunder, frosne minne-snapshots og evalueringsskript er lagt ut på Hugging Face. For deg som bygger langkjørende agenter er poenget likevel målbart: når kontekst er noe du skriver til navngitte lag i stedet for noe som bare vokser, kan du peke på hvilket lag som endret oppførselen, og du betaler for en prompt som holder seg flat.