AgenticSTS: структурированная память AI-агентов вместо длинного контекста

AgenticSTS - это тестовый стенд и подход к ограниченной памяти для long-horizon LLM-агентов: вместо полного журнала прошлых ходов агент получает свежий prompt, собранный из типизированных слоёв памяти. По состоянию на 12 июля 2026 года это не «решение проблемы памяти агентов», а аккуратный эксперимент, который полезен именно своей честной постановкой.

Поводом стал препринт AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents и разбор в The Decoder. Исследователи из Alaya Lab, Shanghai Jiao Tong University и других организаций проверяли агентную архитектуру в Slay the Spire 2, карточном roguelike, где один забег требует десятков стратегических решений и сотен мелких действий. Такая среда хорошо подсвечивает слабость обычного подхода: если складывать все наблюдения, tool calls и размышления в один растущий лог, prompt быстро превращается в дорогую и плохо проверяемую свалку.

Что именно меняет AgenticSTS

Обычный агент часто живёт по простому правилу: каждое следующее решение получает всё больше прошлого контекста. Это удобно на старте. Потом история разрастается, старые следы возвращаются в новые решения, а исследователь уже не понимает, помогла ли агенту память, системный prompt, случайность или просто более длинное окно контекста.

AgenticSTS задаёт другой контракт: модель не видит сырой transcript между решениями. Для каждого шага система заново собирает пользовательское сообщение из пяти именованных слоёв:

Важная деталь: каждый слой можно отключить или заморозить отдельно. Для исследователя это ценнее, чем красивый общий результат. Если агент стал играть лучше, можно хотя бы попытаться понять, какой слой внёс вклад. Это близко к тому, что мы уже разбирали в материале про архитектуру памяти агента Cog, но здесь фокус не на повседневной работе кодового ассистента, а на измеряемом игровом стенде.

Почему выбрали Slay the Spire 2

Slay the Spire 2 удобна для такой проверки не потому, что игра «похожа на реальный мир». Она как раз полезна тем, что правила закрытые и текстовые: карты, реликвии, враги, события и легальные действия можно представить как структурированные записи. При этом один забег остаётся длинным и стохастическим. Агент выбирает маршрут, ведёт бои, набирает карты, покупает предметы и переживает последствия ранних решений спустя десятки ходов.

По статье, публичный тест AGI-Eval для той же игры не показал ни одной победы на минимальной сложности A0 среди пяти конфигураций фронтирных моделей. В препринте также приводится заявленная разработчиками игры человеческая победная доля 16% на A0. Это делает среду достаточно сложной: не потолок, где все уже выигрывают, и не бессмысленная задача, где побед не бывает вообще.

Цифры: 3/10, 6/10 и почему это не сенсация

Главная фиксированная проверка в работе - 50 завершённых игр на сложности A0: пять условий по десять игр. Базовый вариант без хранилищ выиграл 3 из 10 партий. Конфигурации с включённым слоем L5, то есть стратегическими навыками, дали 6 из 10 побед. В таблице приложения к препринту это выглядит так: baseline-strict - 3/10, prompt-only - 4/10, mode-a - 6/10, mode-b-frozen - 6/10, full-frozen - 6/10.

Соблазнительно назвать это удвоением доли побед. Корректнее сказать осторожнее: на малой выборке самый заметный сдвиг совпал с включением L5, но авторы сами пишут, что результат направленный, а не статистически решающий. Fisher exact p примерно равен 0,37. Для статьи про агентную память это хороший сигнал, но не доказательство, что AgenticSTS «в два раза лучше» любого другого подхода.

Эта оговорка важна. Toolarium уже писал, почему проблему памяти нельзя свести к сжатию длинного контекста: хороший результат агента зависит не только от объёма prompt, но и от того, какие сведения попадают в цикл принятия решений. AgenticSTS добавляет к этому измеряемый вариант: вместо «давайте сожмём историю» он предлагает явно решить, какие типы памяти вообще разрешены следующему решению.

Почему это не просто RAG

Часть AgenticSTS действительно похожа на retrieval: слой L3 достаёт релевантные правила и факты о текущем состоянии. Но свести всё к RAG было бы ошибкой. L4 хранит эпизодические записи прошлых забегов, L5 хранит стратегические навыки, а L1 и L2 задают протокол и схему действия. Вместе это не «поиск по базе знаний», а контракт, который определяет, какую память агент имеет право использовать в конкретном решении.

Разница между подходами проще видна в сравнении:

Для разработчиков агентного ИИ это практический урок. Память агента лучше проектировать как интерфейс, а не как папку, куда можно записывать всё подряд. Что попадает в prompt, кто это записал, когда это обновляется и можно ли слой отключить - такие вопросы становятся частью архитектуры, а не постфактум-отладки.

Что выпущено вместе с работой

Авторы опубликовали репозиторий AgenticSTS и датасет на Hugging Face. В препринте говорится о 298 завершённых траекториях с метками условий, замороженными снимками L4/L5, записями prompt и скриптами анализа. В README репозитория дополнительно поясняется, что Hugging Face содержит 312 записей для анализа, а `runs/history.jsonl` в data-репозитории включает 385 строк аудита по запускам. Туда попали не только завершённые победы и поражения, но и прерывания или запуски, остановленные по лимиту решений.

Эта открытость сильнее самой цифры 6/10. Если другие группы смогут прогнать альтернативные схемы памяти в той же среде, спор сдвинется от «у нас агент лучше» к более полезному вопросу: какой контракт памяти меняет решения, а какой просто переносит шум из одного места в другое.

Ограничения

У AgenticSTS есть несколько жёстких ограничений, и они не спрятаны в сносках. Во-первых, основной результат держится на десяти играх на условие. Во-вторых, главные прогоны относятся к одному персонажу, Silent, и одной версии игры. В-третьих, сравнение с публичными агентами с накопительным контекстом нельзя читать как чистую абляцию: отличаются не только память, но и маршрутизация, группировка решений и сама реализация.

Самая важная недоделанная проверка прямо названа в репозитории как future work: добавить accumulating-context cell внутри той же кодовой базы, с теми же condition tags, scoring и frozen stores. Только такой тест сможет честно ответить, насколько bounded contract выигрывает у растущего transcript при прочих равных.

Что из этого забрать в свои агентные системы

AgenticSTS не говорит, что всем агентам нужна память из пяти слоёв. Он показывает более полезный принцип: память должна быть ограниченной, подписанной и проверяемой. Если агенту разрешено видеть прошлое, это прошлое должно попадать к нему через понятный канал.

Для прикладной системы это превращается в короткий чек-лист:

• разделяйте правила, текущее состояние, прошлые эпизоды и навыки, не смешивайте их в один блок текста;
• ограничивайте количество извлечённых записей и размер каждой записи;
• логируйте, какие элементы памяти попали в конкретное решение;
• проверяйте слои абляцией: отключите один и посмотрите, меняется ли поведение;
• не называйте рост качества «памятью», пока не понятно, какой именно слой помог.

Для статьи о новом исследовании это звучит сухо. Для инженерной практики - ровно то, что нужно. У длинного контекста есть привлекательная простота: ничего не решать, просто добавить ещё истории. AgenticSTS предлагает менее удобную, но более проверяемую дисциплину: каждый фрагмент прошлого должен заслужить место в следующем prompt.

FAQ

Чем AgenticSTS отличается от обычного длинного контекста?

Обычный длинный контекст добавляет всё больше истории в prompt. AgenticSTS не добавляет сырой журнал прошлых решений. Каждый prompt собирается заново из пяти ограниченных слоёв памяти: протокол, схема состояния, правила, эпизоды и навыки.

AgenticSTS заменяет RAG?

Нет. В AgenticSTS есть retrieval-часть, но она встроена в более широкий контракт памяти. RAG отвечает за выбор релевантных документов или фактов; AgenticSTS также разделяет протоколы, состояние, эпизоды и стратегические навыки агента.

Почему Slay the Spire 2 подходит для проверки AI-агентов?

Игра сочетает текстово описываемые правила и длинный горизонт решений. Агенту не нужно распознавать пиксели, зато нужно планировать маршрут, бои, карты и ресурсы через много случайных событий.

Источники и дата проверки

Факты проверены 12 июля 2026 года. Для быстро меняющихся данных вроде репозиториев, датасетов и результатов повторных прогонов стоит сверяться с первоисточниками перед цитированием.

• arXiv: AgenticSTS: A Bounded-Memory Testbed for Long-Horizon LLM Agents - основной источник по архитектуре, слоям L1-L5, результатам 3/10 и 6/10, p≈0,37 и ограничениям.
• GitHub: AlayaLab/AgenticSTS - код, assets, инструкции воспроизведения и пояснение по released data counts.
• Hugging Face: AgenticSTS-trajectories - опубликованный набор траекторий и схема данных.
• The Decoder - новостной повод и пересказ ключевых результатов исследования.