這項研究由阿拉亞實驗室（Alaya Lab）聯合上海交通大學、上海創新研究院、南開大學與中國科學技術大學共同完成，以預印本形式於2026年7月2日發布在arXiv平台，編號為arXiv:2607.02255v1。感興趣的讀者可通過該編號直接檢索完整論文。
一、 一個讓所有頂尖AI都敗北的遊戲
有這樣一款策略遊戲，它的規則完全公開、每局都隨機變化、每一步決策都關乎後續幾十上百步的成敗，而且它對玩家的要求極高，連人類玩家在最低難度下的勝率也只有16%。這款遊戲就是《殺戮尖塔2》（Slay the Spire 2），一個被研究團隊選中來測試AI決策能力的戰場。
在這個戰場裡，你扮演一個英雄，需要沿著地圖向上攀爬，一路上打怪、抽取新卡、購買道具、解謎，每場戰鬥都是一場考驗記憶與策略的棋局。一局遊戲通常包含數百個相互關聯的決策，走錯一步，可能幾十步後才暴露代價。這正是測試AI"長線思維"能力的絕佳場景。
然而，公開評測數據顯示，當前所有頂尖的大語言模型（就是像ChatGPT這類能理解和生成語言的AI系統）在這款遊戲最低難度下的勝率：零。沒有一個能贏。研究團隊選擇了這個"硬但不飽和"的任務，意思是它足夠難，但還沒難到任何AI完全沒有希望。
研究團隊提出的核心問題是：如果給AI一套更聰明的"記憶方式"，它能打贏這款遊戲嗎？更重要的是，這套記憶方式能不能被拆開來檢驗，看清楚到底是哪一部分真正起了作用？
二、 AI的記憶難題：堆積如山的聊天記錄
要理解這項研究，先得弄清楚AI在長期任務中面臨的一個根本困境。
多數AI系統在處理一個需要持續決策的任務時，採用的是最簡單的方式——把所有歷史對話、每一個操作記錄、每一條反思都堆進下一次提問里。這就好比你每次做下一道菜之前，都要把今天廚房裡發生的所有事情重新講一遍給助手聽：幾點幾分放了什麼調料、中間油溫變化了幾度、你曾經犯過什麼錯誤……隨著時間推移，這份"歷史匯報"越來越長，最終把真正有用的資訊淹沒在一堆噪音里。
更麻煩的是，這種方式還有一個隱患：當AI出錯的時候，你根本不知道是哪條歷史資訊誤導了它。是因為它記住了一次錯誤的經驗？還是因為規則沒說清？還是策略本身有問題？一切都混在一起，無從分辨。
研究團隊將這種問題稱為"記憶契約"——每一次決策，AI被允許看到哪些歷史資訊，這是一份隱性的合同。傳統方式里，這份合同的內容是"把所有歷史都堆進去"，帶來的後果是內容混雜、成本高昂、難以定位問題所在。
正因如此，團隊提出了一套完全不同的方案：每次決策時，不是把歷史堆進去，而是主動從不同類型的"記憶庫"里按需取出相關內容，拼成一條乾淨的、針對當前局面的提示資訊。這個方案被他們稱為"有界記憶契約"，而整個AI系統被命名為AgenticSTS。
三、 五層記憶抽屜：把知識分門別類地收納起來
AgenticSTS的核心設計，是把AI可以用到的知識分成五種類型，分別存放在五個"抽屜"里。每次AI需要做決策時，它不會翻出所有歷史，而是根據當前局面，從對應的抽屜里取出需要的內容，拼成一條全新的提示資訊發給AI。
第一個抽屜存放的是基本角色設定和格式規範，屬於永遠不變的基礎規則，相當於廚師上崗前背熟的《操作手冊》，每次開工都適用，無需改動。第二個抽屜存放的是針對當前遊戲狀態的結構化描述，包括此刻手裡有哪些牌、面對的敵人有什麼技能、合法的操作有哪些，相當於廚師此刻面前這道菜的食譜框架。第三個抽屜是遊戲規則知識庫，儲存了遊戲裡所有卡牌、聖物、怪物、事件的詳細說明，就像一本隨時可以翻閱的《食材百科》。
第四個抽屜則存放過往戰局的經驗摘要，按照角色、難度、場景分類歸檔，類似於廚師把過去每道菜的心得整理成筆記本，下次遇到類似情況可以翻出來參考。第五個抽屜最特別，存放的是觸髮式戰略技巧，也就是一套"如果遇到某類狀況，就採用這種策略"的應對規則，相當於廚師的秘訣卡片，只有遇到特定情形才會被取出來用。
這五層抽屜的設計有一個關鍵特點：每個抽屜的內容是獨立的，可以單獨開關。研究團隊可以把某個抽屜鎖上，看看AI在缺少這類資訊時表現如何，然後再打開，對比前後的差異。這就像做一道菜時，你可以故意不放某種調料，單獨測試它對味道的貢獻。這種拆分測試，在傳統的"歷史堆疊"方式里是做不到的，因為所有資訊都混在一起，根本分不清誰起了作用。
此外，整個設計還解決了另一個實際問題。由於每次決策都是重新拼出一條乾淨的提示，而不是越來越長的歷史記錄，AI的輸入長度基本維持在固定水平，不會隨著遊戲進行而不斷增長。團隊的測量數據顯示，在對比方案下，某款競品AI在單次遊戲裡的單次提示詞長度從最初的約九千個詞元（可以理解為約九千個漢字的資訊量）暴漲到五十萬以上；而AgenticSTS的提示長度始終維持在約五千個詞元的水平，如同一條穩定的水平線貫穿整個遊戲過程。
四、 實驗設計：把"哪個抽屜有用"變成可以量化的問題
研究團隊設計了一套嚴謹的實驗框架，目標只有一個：弄清楚哪個記憶層真正影響了AI的表現。
他們設置了五種不同的配置進行對比。第一種是最裸的基礎版本，沒有過往經驗、沒有戰略技巧、連基本的提示格式都儘量精簡，這是純粹的底線參考。第二種是完整提示版本，把基礎格式和輔助工具全開，但依然關閉第四層（經驗）和第五層（技巧）。第三種是在完整提示的基礎上，由人工編寫的戰略技巧卡片加入到第五層。第四種是用模板自動填充的戰略技巧替代人工編寫的內容，看看"人工智慧"和"模板填充"效果是否有差距。第五種是在第三種的基礎上，同時打開第四層的經驗摘要。
每種配置各運行十局遊戲，合計五十局，所有配置都使用相同的AI引擎（Gemini 3.1 Pro），遊戲難度鎖定在最低的A0檔，並且所有經驗庫和技巧庫的內容都在測試前被"凍結"，不允許在測試期間更新，以確保條件純淨可對比。
勝負判定標準簡單直接：贏了算一百分，沒贏則根據打到了哪一層地圖、清了幾個大boss來折算分數。這個分數體系讓不同局遊戲的表現可以量化對比，而不僅僅是"贏了或輸了"這樣的二元判斷。
五、 實驗結果：戰略技巧層才是真正的關鍵
測試結果清晰地指向了第五層——戰略技巧層。
最基礎的配置贏了十局中的三局，完整提示版本贏了四局，而一旦加入戰略技巧層，無論是人工編寫的還是模板填充的，勝率都跳升到六局。這個從三局到六局的躍升，是整個實驗中最明顯的單層差距。
分數層面的表現同樣印證了這一點。基礎版本的平均分約為七十點四分，完整提示版本略低為六十九點六分，而三種包含戰略技巧層的配置平均分分別達到八十五點五、八十三點三和八十二點一，整體上比無技巧的配置高出約十五分。
研究團隊對此保持了應有的謹慎。他們明確指出，在每種配置只有十局遊戲的情況下，這個差距在統計上尚未達到"顯著性"標準——換句話說，這是一個"方向明確"的信號，而非板上釘釘的結論。用統計學裡的Fisher精確檢驗來看，三局對六局的概率值約為零點三七，意味著僅憑這五十局的數據，還不能完全排除偶然因素的干擾。但這個方向本身已經相當清晰，值得進一步更大規模的驗證。
另一個有意思的發現出現在第四層（經驗層）的測試上。加入過往經驗摘要的配置與不加入的配置，在A0難度下的勝率完全相同，都是六局。這說明在最低難度的遊戲中，經驗層的貢獻已經達到"飽和"——用廚師的比喻來說，這道菜的基礎配方已經足夠好，多放一種調料也不會讓味道更上一層樓。不過，經驗層在更高難度的探索任務中依然發揮作用，這一點在後續的爬塔測試中得到了體現。
六、 爬塔測試與跨模型驗證：更高難度下的表現如何？
除了固定難度的五種配置對比，研究團隊還讓AgenticSTS在"自動爬塔"模式下運行：贏了就挑戰下一個難度，輸了就在同一難度重試。結果是，開啟了經驗層和技巧層並允許賽後更新的版本，能夠爬到A6至A8的難度區間；而不允許任何賽後更新的版本，最高只能穩定到A2至A4區間。兩者之間的差距相當於從"入門玩家"躍升到了"進階玩家"的水平。
團隊還測試了同一套凍結的記憶庫，在換了不同AI引擎之後是否依然有效。他們把Gemini訓練積累的經驗庫和技巧庫，原封不動地搬到Qwen 3.6-27B和DeepSeek V4 Pro這兩款不同的AI引擎上運行，每種配置各測五局。結果發現，這套庫對Qwen的平均分提升相當可觀（從約十四點六分提升到約二十六點九分），但對DeepSeek的效果反而略有下滑（從約四十一點三分降到約三十三點八分），而且兩個引擎在加入記憶庫後依然沒有贏下任何一局。這說明，一套在某個AI引擎上積累的經驗，並不能無條件地遷移到另一個引擎上——就像一位廚師的操作習慣，換了另一套廚具，不一定能完美復現同樣的效果。
七、 與同類AI的對比：不僅贏得更多，花費還少百倍
研究團隊還直接與兩款公開發布的同類AI系統進行了正面對比，這兩款分別是STS2MCP和CharTyr，都採用傳統的"歷史堆疊"方式，每次決策都把當前輪次之前的所有對話記錄重新發給AI參考。
測試條件儘量保持公平：同款底層AI引擎（Gemini 3.1 Pro）、同款遊戲版本線（v0.103.x）、同一角色、同一難度（A0）、每套各測五局。結果是，STS2MCP五局全敗，平均只打到了地圖第十七層；CharTyr五局也全敗，平均只打到第五點六層，而且頻繁出現操作格式錯誤。而AgenticSTS的完整版本贏了六局，平均分八十二點一；即便是最精簡的基礎版本也贏了三局，平均分七十點四。
在效率層面，差距更為懸殊。在每推進一層地圖所花費的時間上，兩款競品平均需要約九到十分鐘，AgenticSTS只需要約兩點三分鐘，速度大約快了四倍。這個差距幾乎完全來自AI引擎的響應等待時間，而非程序本身的運行速度。
代幣消耗方面的差距則接近駭人：每得到一分所消耗的"新鮮詞元"（未被緩存復用的資訊量），兩款競品分別為約四十二萬和五十七萬，而AgenticSTS約為六千四百到六千七百，整整相差約六十六到九十倍。即便用最寬鬆的假設來估算AgenticSTS的消耗，差距也依然超過七倍。換句話說，競品系統花一百塊錢能買到的遊戲效果，AgenticSTS只需要不到兩塊錢。
研究團隊特別強調，這次對比並非是為了證明"有界記憶契約比歷史堆疊更優越"這一結論，因為兩套系統在很多方面並不完全對等，存在決策批處理、難度檔次等條件差異。這次對比只是如實記錄了"當前公開可用的歷史堆疊型AI與AgenticSTS在同一平台上的實際表現差距"，真正受控的對比實驗，被留作未來工作。
八、 公開發布的資源：讓別人也能復現和研究
這項研究並非以"我們贏了"作為終點，而是以"我們把工具箱留給大家"作為目標。
團隊完整公開了二百九十八局遊戲的運行軌跡記錄，每局都標註了使用的配置條件。同時附上了實驗期間凍結的經驗庫和技巧庫快照，以及每次決策時AI實際收到的完整提示詞記錄，還有用於統計分析的腳本工具，包括置信區間計算和自助抽樣分析方法。
這意味著任何研究者都可以用這套數據重新驗證團隊的結論，也可以在此基礎上增加新的配置條件進行擴展實驗，甚至可以直接把"允許歷史堆疊"作為第六種配置加入到同一測試矩陣里，得到一個真正受控的對比結果。
說到底，這項工作最值得關注的不是某個具體的勝率數字，而是它提出並驗證了一種新的研究範式：AI的記憶設計可以被清晰地拆解、獨立測試、量化比較，而不是作為一個模糊的"工程選擇"被默默忽略。
把記憶分成五個類型不同、可以獨立開關的抽屜，讓每次決策都用乾淨的新資訊而非越來越厚的歷史檔案，同時把實驗的全部原材料公開共享——這三件事放在一起，構成了一個真正可以被科學檢驗的AI行為研究工具，而不僅僅是"我們做了個能玩遊戲的AI"的演示。
當然，這項研究也有明確的局限。所有高難度遊戲測試只用了一個角色（沉默者），每種配置只跑了十局，與歷史堆疊方式的正面對比還不夠受控。但這些都是方向明確、方法論清晰的未來工作，而且研究者已經把基礎設施全部準備好，等待下一步實驗的到來。
對於任何關心AI如何在長期複雜任務中穩定表現的人來說，這項來自多所頂尖學術和產業機構的研究，提供了一種思路：與其讓AI背負越來越重的歷史包袱，不如教它學會精準地"按需取用"。
---
Q&A
Q1：AgenticSTS的五層記憶系統是怎麼工作的？
A：AgenticSTS把AI可用的知識分成五個獨立抽屜：基礎角色設定、當前遊戲狀態描述、遊戲規則知識庫、過往戰局經驗摘要、以及觸髮式戰略技巧。每次決策時，AI不翻歷史記錄，而是根據當前局面從對應抽屜取出內容，拼成一條全新提示。每個抽屜可以單獨開關，方便研究者測試哪一層真正影響了AI表現。
Q2：AgenticSTS和傳統歷史堆疊型AI在《殺戮尖塔2》里差距有多大？
A：差距相當明顯。在同樣的最低難度A0測試中，兩款公開的歷史堆疊型AI系統五局全敗，而AgenticSTS完整版本贏了六局中的六局。效率上，競品每推進一層地圖平均花費約十分鐘，AgenticSTS只需約兩點三分鐘。詞元消耗方面，競品每得一分需要消耗四十多萬詞元，AgenticSTS約六千七百，差距約六十到九十倍。
Q3：研究中戰略技巧層為什麼比經驗層更重要？
A：實驗結果顯示，加入戰略技巧層（第五層）後勝率從三到四局跳升至六局，是五個配置中最明顯的單層差距。而加入經驗層（第四層）與不加入相比，在A0難度下勝率相同，均為六局，說明經驗層在低難度下貢獻已"飽和"。但經驗層在更高難度的爬塔測試中仍有幫助，開啟經驗層的版本能爬到A6至A8難度，關閉則最高穩定在A2至A4。
