一句话总结

来自Alaya Lab、上海交通大学等机构的研究团队提出了AgenticSTS，这是一个有界记忆的测试平台，LLM agent通过类型化检索接收全新提示，而非累积转录记录，从而可以隔离消融记忆层。在游戏《杀戮尖塔2》中的消融实验显示，触发的策略技能将胜率从$\frac{3}{10}$103​提升至$\frac{6}{10}$106​，展示了研究长周期agent记忆的可复现方法论。

核心贡献

• 引入了一种有界记忆契约，每个决策提示由类型化检索组装而成，不附加原始的跨决策转录记录，使提示在多次运行中保持有界，并能够独立消融记忆层；该契约在随机卡牌构建游戏《杀戮尖塔2》中实例化。
• 固定A0配置的消融实验表明，在无存储基线中添加触发的策略技能层（L5）可将游戏胜率从3/10提高到6/10，为显式技能记忆的影响提供了方向性证据，尽管对比在统计上并非决定性（Fisher精确检验p ≈ 0.37）。
• 发布了一个包含298条带条件标签的完整轨迹、冻结的记忆和技能快照、提示记录以及分析脚本的可复现测试平台，形成了一个agent设计和经过验证的方法，用于研究类型化记忆层如何塑造长周期LLM agent的决策。

引言

长周期LLM agent必须决定在每个决策提示中呈现哪些先前经验，但典型设计要么附加不断扩大的全文转录记录，挤压上下文窗口，要么检索非结构化片段，使记忆接口不透明且难以审计。作者针对这一差距，将记忆形式化为一个有界的、类型化的契约，并在未解决的角色扮演游戏《杀戮尖塔2》中实例化，目前前沿模型在该游戏中尚无法获胜。他们的agent AgenticSTS将原始转录积累替换为五个按决策分配的槽位（协议、状态、检索规则、情节摘要和触发技能），将记忆从不断增长的历史记录转变为可检查且可单独消融的组件。这种架构让研究人员能够隔离出哪个记忆类型最为关键，作者发布了298条带条件标签的轨迹、冻结的槽位快照和分析脚本，以支持对长周期agent记忆设计的可复现比较。

数据集

作者发布了一个包含298条完整游戏轨迹的数据集，来自角色扮演卡牌构建游戏《杀戮尖塔2》，在有界记忆的LLM-agent接口下收集。该数据可作为语言模型中长周期规划和记忆的可重用评估表面。

• 构成与来源：每条轨迹记录完整的基于文本的游戏状态、agent的决策以及元数据——目标和达到的进阶等级、结果（胜利/失败）、墙上时钟时间、LLM调用次数、条件标签以及活跃的记忆/脚手架设置。这些运行由使用论文中描述的实验框架的LLM agent生成。

• 子集划分：

• 固定进阶0（A₀）平衡子集：50次运行，每个实验条件10次，采用冻结配置。用作主要的头对头消融基准。

• 跨主干探针：额外轨迹，比较不同底层LLM在相同设置下的表现。

• 自动模式进阶阶梯：agent在胜利后自动晋升下一个进阶等级，或在失败后重试，覆盖完整的11级阶梯（A₀–A₁₀）的运行。

• 数据使用：不存在训练集划分；数据集仅用于评估。固定A₀子集在单一难度下隔离组件效应，而自动模式运行跟踪agent攀升有序难度阶梯的能力。跨主干轨迹支持跨模型的稳健性检查。

• 处理与元数据：原始轨迹保存为冻结存储（包含长期记忆层L₄和L₅）和按条件标签。对于评分，从运行结果、达到的楼层和击败的几个Boss数量推导出分析分数（完整映射见附录）：胜利为100分；否则为楼层 + (52/3) × Boss数量。该分数从轨迹字段重新计算，而非从游戏的原生存档复制，并作为次要指标与胜率并列。

方法

作者用有界的、类型化的检索契约取代了传统的提示-历史接口。不再随时间累积原始消息轮次，每个决策提示在生成时由五个知识层组合而成。这种设计限制了上下文大小，与运行长度无关，并使记忆架构本身成为消融实验的可控变量。

对于在状态$s_d$sd​下的决策$d$d，引擎从五个层中检索相关项目，并构造一条全新的用户消息 $u_d = \pi\big(L_1,\, L_2(s_d),\, L_3(s_d),\, L_4(s_d),\, L_5(s_d)\big)$ud​=π(L1​,L2​(sd​),L3​(sd​),L4​(sd​),L5​(sd​)) 该消息与静态系统提示一同发送给LLM。上下文预算为$O(|\mathrm{sys}| + s_{\mathrm{thread}} + \sum_i k_i \cdot s_i)$O(∣sys∣+sthread​+∑i​ki​⋅si​)，其中$k_i$ki​和$s_i$si​分别是检索上限和项大小。因此，每次决策的token成本不随决策数量增长，而不像转录接口那样最坏情况增长为$\Omega(d \cdot \bar{s})$Ω(d⋅sˉ)。

五个层根据可变性和角色划分：

• $L_1$L1​ 操作员提示：每种状态类型的不可变角色和协议模板。
• $L_2$L2​ 状态类型提示：战斗、卡组构建、地图、事件和幕间决策的不可变模式，包括合法行动格式。
• $L_3$L3​ 游戏知识：可枚举的规则数据（卡牌、遗物、事件、敌人、意图），随游戏补丁更新。
• $L_4$L4​ 情节记忆：按角色、进阶等级、幕和敌人类型索引的局后摘要，提供基于案例的回忆。
• $L_5$L5​ 技能库：从日志中提炼的触发性策略指南，每个都带有明确的触发器、文本策略和四级写入门控。检索由条件匹配触发，而非原始日志相似度。

只有$L_4$L4​和$L_5$L5​可以在运行后写入，限制了什么信息能在决策间持久存在。

为了进一步限制LLM的使用，调度器将决策路由到四个模型层级：快速（简单战斗计划）、战略（普通决策）、分析（局后记忆提取）和进化（技能提炼）。战斗是最频繁的决策类型，使用一个局部对话对象，每轮最多三条消息（combat_start、ok和最新状态）；较早的轮次被总结到类型状态中，而非追加。结合快速层级路由和机械处理，每次运行的中位战略LLM调用次数为67次，而不是每个游戏中动作一次。

技能发现以两种模式填充$L_5$L5​。在错误驱动的自我进化中，相对于每个敌人基线的战斗失败会触发写前A/B重采样检查（严格的三分之二一致且无有害决策），随后是四级写入门控，应用余弦相似度和Jaccard相似度过滤器、LLM评判以及可选的修剪。大多数候选技能被拒绝或合并，而非作为新技能添加。在模式B中，一个填充存根模板的创作过程为战斗、Boss、卡组构建、地图和幕间决策填写五个角色参数模板，并带有命名空间隔离、库锁定和仅警告验证器。模式B达到了与人类编写的种子库同等水平，允许评估将技能层的存在与具体的文本来源分开。

由于上下文通过命名槽到达模型，该架构支持清晰的消融：提示严格性、规则检索、情节和战略技能可以独立切换。这种有界类型契约将记忆接口设计转变为评估对象，将其与不断增长的转录记录解耦，并允许将性能提升追溯到特定层。

实验

评估设置将固定难度下的表现分解为五个条件，探究冻结技能/情节堆栈的跨主干转移，并使用自动模式阶梯来衡量攀登上限。L₅技能层驱动了最大的观察收益，而情节L₄在单一难度下饱和，但当启用局后写入时支持更长周期的阶梯攀登。冻结堆栈的转移与主干敏感，与开源累积上下文agent的直接比较显示，有界类型化检索契约以更少的运行次数获胜，同时消耗的token数量级更低，确立了记忆接口作为一个可隔离且可测量的设计对象。

一个有界类型化记忆契约保持每次决策上下文平坦（中位约5k token），而基于转录回放的agent在单次运行中提示从约9k token增长到500k token。在同一主干、角色和进阶等级下评估时，两个公开可用的转录累积agent每单位游戏进度的token消耗高出一个到两个数量级，甚至低于无存储有界基线。这表明记忆接口是一个可评估的设计对象，类型化槽位实现了特定层的归因，并将记忆与累积状态解耦。基于转录的agent的每次调用提示在运行内从约9k token膨胀到500k token，而有界类型契约将战略消息保持在中位约5k token的恒定水平。转录累积agent每点游戏进度的token消耗比甚至无存储有界基线高出一个到两个数量级，表现远低于后者。

在此固定消融中，技能脚手架agent始终优于无脚手架agent，所有三个脚手架配置均赢得10局中的6局，而无脚手架只赢得3或4局。L5技能层贡献了在同一框架内观察到的最大提升，比仅提示基线多赢两局。有界契约将战略提示大小稳定维持在约5k token，与转录累积方法形成鲜明对比，后者每次调用增长到数十万token。无脚手架和仅提示条件最多赢得10局中的4局，而每个技能脚手架条件达到6胜。添加L5技能层在相同提示严格性下比仅提示基线提高了+2/10胜率。有界契约保持战略消息大小约5k token，而外部累积上下文agent每点进度消耗的token高出一到两个数量级。无脚手架与技能脚手架之间的差距仅具方向性；基于现有样本量的Fisher精确检验未得出统计显著性。

冻结的Gemini训练的技能堆栈的跨主干转移产生不同结果：Qwen的平均分大幅提高，而DeepSeek的得分下降，两者均未赢得任何比赛。转移的冻结技能与手工编写技能保持竞争力，表明技能堆栈对主干敏感，转移是一种经验性质而非保证。相同的Gemini训练L4+L5堆栈显著提升了Qwen的平均分，但使其胜场数保持在零。将该堆栈应用于DeepSeek则降低了其平均分，显示冻结技能转移可能降低某些主干上的性能。冻结模板填充的技能达到了与手工编写技能相同的胜率估计，确认其在共享接口内的竞争力。L4层未改变A0的胜率点估计，表明在此处饱和，但它仍继续支持更长周期的阶梯任务。

实验将有界类型化记忆契约与转录累积agent进行比较，消融技能脚手架，并测试冻结技能堆栈在不同主干间的转移。基于转录的agent遭受严重的提示膨胀，每局游戏进度的token消耗高出多个数量级，而有界契约将战略提示稳定在约5k token，证明记忆接口是一个关键的设计杠杆。技能脚手架agent始终优于无脚手架基线，L5层驱动了最大的胜率提升，尽管差异不具统计显著性，跨主干转移显示冻结技能堆栈仍保持竞争力，但会导致依赖主干的结果，有时在未获胜利的情况下提高平均分，有时则降低性能。