AI Agent 记忆革新：结构化记忆取代聊天日志，在《杀戮尖塔2》中胜率60%

一句话看懂

研究者用五层结构化记忆替代 AI Agent 不断膨胀的聊天日志，在《杀戮尖塔2》中实现60%胜率，而传统 Agent 全败。

详细发生了什么

AgenticSTS 项目由研究者提出，核心创新在于将 AI Agent 的“记忆”从单一的、不断增长的聊天日志替换为五个独立的记忆层。这些记忆层分别存储不同粒度和类型的信息，例如短期战术、长期策略、游戏规则、历史对局总结等。

在卡牌游戏《杀戮尖塔2》中测试时，传统 Agent 的 prompt 会随着游戏进行膨胀到超过 500,000 tokens，导致性能急剧下降。而 AgenticSTS 的 prompt 始终保持在约 5,000 tokens，效率提升显著。结果：AgenticSTS 在 10 局游戏中赢了 6 局，而其他竞争 Agent 一局未赢。

这一成果表明，结构化记忆可以有效解决 AI Agent 在长周期任务中的上下文窗口瓶颈，避免“遗忘”和“注意力稀释”问题。

中文圈视角

这一突破对中文圈的 AI Agent 开发者和游戏 AI 研究者有直接参考价值。

1. 长上下文优化： 目前国内大模型如 DeepSeek、Kimi 等也在不断扩展 context window（如 1M tokens），但单纯扩大窗口并不解决“有效利用”问题。AgenticSTS 的结构化记忆思路——将信息分层、压缩、索引——可能比单纯堆 token 更实用。中文开发者可以借鉴其五层记忆设计，应用到客服、编程助手等需要长期记忆的场景。

2. 游戏 AI 应用： 《杀戮尖塔2》是一款策略卡牌游戏，其决策复杂度与围棋、星际争霸等经典 AI 测试环境类似。国内游戏公司（如米哈游、腾讯）在开发 NPC 或 AI 对手时，常面临 Agent 在长对局中“变笨”的问题。AgenticSTS 的方法可能直接提升游戏 AI 的智能水平，且无需大量算力。

3. 平替与门槛： 该方案基于公开的 LLM API（如 GPT-4），国内用户可通过代理或国产模型（如智谱 GLM、百度文心）复现。核心代码已开源（GitHub），中文社区可快速跟进。

4. 盲点： 中文圈目前对 Agent 记忆结构的讨论多集中在 RAG 和向量数据库，而 AgenticSTS 的“分层记忆”思路更接近人类认知——短期、长期、工作记忆分离。这一方向值得更多关注。

几条值得记住的细节

AgenticSTS 使用五层记忆：短期记忆、长期记忆、工作记忆、游戏规则记忆、历史对局总结。
传统 Agent 的 prompt 在游戏后期可超过 500,000 tokens，而 AgenticSTS 始终保持在约 5,000 tokens。
在 10 局《杀戮尖塔2》测试中，AgenticSTS 赢得 6 局，其他 Agent 全败。
项目代码已开源，基于 GPT-4 API 实现，可适配其他 LLM。
研究者强调，该方法适用于任何需要长期决策的 AI Agent 任务，不限于游戏。

一句话总结

结构化记忆让 AI Agent 在长周期任务中保持高效，中文开发者应关注这一思路以突破上下文窗口瓶颈。