这项研究由阿拉亚实验室（AlayaLab）联上海交通大学、上海创新研究院、南开大学与科学技术大学共同完成，以预印本形式于2026年7月2日发布在arXiv平台，编号为arXiv:2607.02255v1。感兴趣的读者可通过该编号直接检索完整论文。

、个让所有顶AI都败北的游戏

有这样款策略游戏，它的规则公开、每局都随机变化、每步决策都关乎后续几十上百步的成败，而且它对玩的要求，连人类玩在低难度下的胜率也只有16。这款游戏就是《戮塔2》（SlaytheSpire2），个被研究团队选中来测试AI决策能力的战场。

在这个战场里，你扮演个英雄，需要沿着地图向上攀爬，路上怪、抽取新卡、购买道具、解谜，每场战斗都是场考验记忆与策略的棋局。局游戏通常包含数百个相互关联的决策，走错步，可能几十步后才暴露代价。这正是测试AI"长线思维"能力的佳场景。

然而，公开评测数据显示，当前所有顶的大语言模型（就是像ChatGPT这类能理解和生成语言的AI系统）在这款游戏低难度下的胜率：。没有个能赢。研究团队选择了这个"硬但不饱和"的任务，意思是它足够难，但还没难到任何AI没有希望。

研究团队提出的核心问题是：如果给AI套聪明的"记忆式"，它能赢这款游戏吗？重要的是，这套记忆式能不能被拆开来检验，看清楚到底是哪部分真正起了作用？

二、AI的记忆难题：堆积如山的聊天记录

要理解这项研究，先得弄清楚AI在长期任务中面临的个根本困境。

多数AI系统在处理个需要持续决策的任务时，采用的是简单的式——把所有历史对话、每个操作记录、每条反思都堆进下次提问里。这就好比你每次做下道菜之前，都要把今天厨房里发生的所有事情重新讲遍给助手听：几点几分放了什么调料、中间油温变化了几度、你曾经犯过什么错误……随着时间移，这份"历史汇报"越来越长，终把真正有用的信息淹没在堆噪音里。

麻烦的是，这种式还有个隐患：当AI出错的时候，你根本不知道是哪条历史信息误了它。是因为它记住了次错误的经验？还是因为规则没说清？还是策略本身有问题？切都混在起，从分辨。

研究团队将这种问题称为"记忆契约"——每次决策，AI被允许看到哪些历史信息，这是份隐的同。传统式里，这份同的内容是"把所有历史都堆进去"，带来的后果是内容混杂、成本昂、难以定位问题所在。

正因如此，团队提出了套不同的案：每次决策时，不是把历史堆进去，而是主动从不同类型的"记忆库"里按需取出相关内容，拼成条干净的、针对当前局面的提示信息。这个案被他们称为"有界记忆契约"，而整个AI系统被命名为AgenticSTS。

三、五层记忆抽屉：把知识分门别类地收纳起来

AgenticSTS的核心设计，是把AI可以用到的知识分成五种类型，分别存放在五个"抽屉"里。每次AI需要做决策时，它不会翻出所有历史，而是根据当前局面，从对应的抽屉里取出需要的内容，拼成条全新的提示信息发给AI。

个抽屉存放的是基本角设定和格式规范，属于永远不变的基础规则，相当于厨师上岗前背熟的《操作手册》，每次开工都适用，需改动。二个抽屉存放的是针对当前游戏状态的结构化描述，包括此刻手里有哪些、面对的敌人有什么技能、法的操作有哪些，相当于厨师此刻面前这道菜的食谱框架。三个抽屉是游戏规则知识库，储存了游戏里所有卡、圣物、怪物、事件的详细说明，就像本随时可以翻阅的《食材百科》。

四个抽屉则存放过往战局的经验摘要，按照角、难度、场景分类归档，类似于厨师把过去每道菜的心得整理成笔记本，下次遇到类似情况可以翻出来参考。五个抽屉特别，存放的是触发式战略技巧，也就是套"如果遇到某类状况，就采用这种策略"的应对规则，相当于厨师的秘诀卡片，只有遇到特定情形才会被取出来用。

这五层抽屉的设计有个关键特点：每个抽屉的内容是立的，可以单开关。研究团队可以把某个抽屉锁上，看看AI在缺少这类信息时表现如何，然后再开，对比前后的差异。这就像做道菜时，你可以故意不放某种调料，单测试它对味道的贡献。这种拆分测试，在传统的"历史堆叠"式里是做不到的，因为所有信息都混在起，根本分不清谁起了作用。

此外，整个设计还解决了另个实际问题。由于每次决策都是重新拼出条干净的提示温州pvc管道管件胶，而不是越来越长的历史记录，AI的输入长度基本维持在固定水平，不会随着游戏进行而不断增长。团队的测量数据显示，在对比案下，某款竞品AI在单次游戏里的单次提示词长度从初的约九千个词元（可以理解为约九千个汉字的信息量）暴涨到五十万以上；而AgenticSTS的提示长度始终维持在约五千个词元的水平，如同条稳定的水平线贯穿整个游戏过程。

四、实验设计：把"哪个抽屉有用"变成可以量化的问题

研究团队设计了套严谨的实验框架，目标只有个：弄清楚哪个记忆层真正影响了AI的表现。

他们设置了五种不同的配置进行对比。种是裸的基础版本，没有过往经验、没有战略技巧、连基本的提示格式都尽量精简，这是纯粹的底线参考。二种是完整提示版本，把基础格式和辅助工具全开，但依然关闭四层（经验）和五层（技巧）。三种是在完整提示的基础上，由人工编写的战略技巧卡片加入到五层。四种是用模板自动填充的战略技巧替代人工编写的内容，看看"人工智慧"和"模板填充"果是否有差距。五种是在三种的基础上，同时开四层的经验摘要。

每种配置各运行十局游戏，计五十局，所有配置都使用相同的AI引擎（Gemini3.1Pro），游戏难度锁定在低的A0档，并且所有经验库和技巧库的内容都在测试前被"冻结"，不允许在测试期间新，以确保条件纯净可对比。

胜负判定标准简单直接：赢了百分，没赢则根据到了哪层地图、清了几个大boss来折分数。这个分数体系让不同局游戏的表现可以量化对比，而不仅仅是"赢了或输了"这样的二元判断。

五、实验结果：战略技巧层才是真正的关键

测试结果清晰地指向了五层——战略技巧层。

基础的配置赢了十局中的三局，完整提示版本赢了四局，而旦加入战略技巧层，论是人工编写的还是模板填充的，胜率都跳升到六局。这个从三局到六局的跃升，是整个实验中明显的单层差距。

分数层面的表现同样印证了这点。基础版本的平均分约为七十点四分，完整提示版本略低为六十九点六分，而三种包含战略技巧层的配置平均分分别达到八十五点五、八十三点三和八十二点，整体上比技巧的配置出约十五分。

研究团队对此保持了应有的谨慎。他们明确指出，在每种配置只有十局游戏的情况下，这个差距在统计上尚未达到"显著"标准——换句话说，pvc管道管件胶这是个"向明确"的信号，而非板上钉钉的结论。用统计学里的Fisher精确检验来看，三局对六局的概率值约为点三七，意味着仅凭这五十局的数据，还不能排除偶然因素的干扰。但这个向本身已经相当清晰，值得进步大规模的验证。

另个有意思的发现出现在四层（经验层）的测试上。加入过往经验摘要的配置与不加入的配置，在A0难度下的胜率相同，都是六局。这说明在低难度的游戏中，经验层的贡献已经达到"饱和"——用厨师的比喻来说，这道菜的基础已经足够好，多放种调料也不会让味道上层楼。不过，经验层在难度的探索任务中依然发挥作用，这点在后续的爬塔测试中得到了体现。

六、爬塔测试与跨模型验证：难度下的表现如何？

除了固定难度的五种配置对比，研究团队还让AgenticSTS在"自动爬塔"模式下运行：赢了就挑战下个难度，输了就在同难度重试。结果是，开启了经验层和技巧层并允许赛后新的版本，能够爬到A6至A8的难度区间；而不允许任何赛后新的版本，只能稳定到A2至A4区间。两者之间的差距相当于从"入门玩"跃升到了"进阶玩"的水平。

团队还测试了同套冻结的记忆库，在换了不同AI引擎之后是否依然有。他们把Gemini训练积累的经验库和技巧库，原封不动地搬到Qwen3.6-27B和DeepSeekV4Pro这两款不同的AI引擎上运行，每种配置各测五局。结果发现，这套库对Qwen的平均分提升相当可观（从约十四点六分提升到约二十六点九分），但对DeepSeek的果反而略有下滑（从约四十点三分降到约三十三点八分），而且两个引擎在加入记忆库后依然没有赢下任何局。这说明，套在某个AI引擎上积累的经验，并不能条件地迁移到另个引擎上——就像位厨师的操作习惯，换了另套厨具，不定能复现同样的果。

七、与同类AI的对比：不仅赢得多，花费还少百倍

研究团队还直接与两款公开发布的同类AI系统进行了正面对比，这两款分别是STS2MCP和CharTyr，都采用传统的"历史堆叠"式，每次决策都把当前轮次之前的所有对话记录重新发给AI参考。

测试条件尽量保持公平：同款底层AI引擎（Gemini3.1Pro）、同款游戏版本线（v0.103.x）、同角、同难度（A0）、每套各测五局。结果是，STS2MCP五局全败，平均只到了地图十七层；CharTyr五局也全败，平均只到五点六层，而且频繁出现操作格式错误。而AgenticSTS的完整版本赢了六局，平均分八十二点；即便是精简的基础版本也赢了三局，平均分七十点四。

在率层面，差距为悬殊。在每进层地图所花费的时间上，两款竞品平均需要约九到十分钟，AgenticSTS只需要约两点三分钟，速度大约快了四倍。这个差距几乎来自AI引擎的响应等待时间，而非程序本身的运行速度。

代币消耗面的差距则接近骇人：每得到分所消耗的"新鲜词元"（未被缓存复用的信息量），两款竞品分别为约四十二万和五十七万，而AgenticSTS约为六千四百到六千七百，整整相差约六十六到九十倍。即便用宽松的假设来估AgenticSTS的消耗，差距也依然过七倍。换句话说，竞品系统花百块钱能买到的游戏果，AgenticSTS只需要不到两块钱。

研究团队特别强调，这次对比并非是为了证明"有界记忆契约比历史堆叠优越"这结论，因为两套系统在很多面并不对等，存在决策批处理、难度档次等条件差异。这次对比只是如实记录了"当前公开可用的历史堆叠型AI与AgenticSTS在同平台上的实际表现差距"，真正受控的对比实验，被留作未来工作。

八、公开发布的资源：让别人也能复现和研究

这项研究并非以"我们赢了"作为终点，而是以"我们把工具箱留给大"作为目标。

团队完整公开了二百九十八局游戏的运行轨迹记录，每局都标注了使用的配置条件。同时附上了实验期间冻结的经验库和技巧库快照，以及每次决策时AI实际收到的完整提示词记录，还有用于统计分析的脚本工具，包括置信区间计和自助抽样分析法。

这意味着任何研究者都可以用这套数据重新验证团队的结论，也可以在此基础上增加新的配置条件进行扩展实验，甚至可以直接把"允许历史堆叠"作为六种配置加入到同测试矩阵里，得到个真正受控的对比结果。

说到底，这项工作值得关注的不是某个具体的胜率数字，而是它提出并验证了种新的研究范式：AI的记忆设计可以被清晰地拆解、立测试、量化比较，而不是作为个模糊的"工程选择"被默默忽略。

把记忆分成五个类型不同、可以立开关的抽屉，让每次决策都用干净的新信息而非越来越厚的历史档案，同时把实验的全部原材料公开共享——这三件事放在起，构成了个真正可以被科学检验的AI行为研究工具，而不仅仅是"我们做了个能玩游戏的AI"的演示。

当然，这项研究也有明确的局限。所有难度游戏测试只用了个角（沉默者），每种配置只跑了十局，与历史堆叠式的正面对比还不够受控。但这些都是向明确、法论清晰的未来工作，而且研究者已经把基础设施全部准备好，等待下步实验的到来。

对于任何关心AI如何在长期复杂任务中稳定表现的人来说，这项来自多所顶学术和产业机构的研究，提供了种思路：与其让AI背负越来越重的历史包袱，不如教它学会地"按需取用"。

Q&A

Q1：AgenticSTS的五层记忆系统是怎么工作的？

A：AgenticSTS把AI可用的知识分成五个立抽屉：基础角设定、当前游戏状态描述、游戏规则知识库、过往战局经验摘要、以及触发式战略技巧。每次决策时，AI不翻历史记录，而是根据当前局面从对应抽屉取出内容，拼成条全新提示。每个抽屉可以单开关，便研究者测试哪层真正影响了AI表现。

Q2：AgenticSTS和传统历史堆叠型AI在《戮塔2》里差距有多大？

A：差距相当明显。在同样的低难度A0测试中，两款公开的历史堆叠型AI系统五局全败，而AgenticSTS完整版本赢了六局中的六局。率上，竞品每进层地图平均花费约十分钟，AgenticSTS只需约两点三分钟。词元消耗面，竞品每得分需要消耗四十多万词元，AgenticSTS约六千七百，差距约六十到九十倍。

Q3：研究中战略技巧层为什么比经验层重要？

A：实验结果显示，加入战略技巧层（五层）后胜率从三到四局跳升至六局，是五个配置中明显的单层差距。而加入经验层（四层）与不加入相比，在A0难度下胜率相同，均为六局，说明经验层在低难度下贡献已"饱和"。但经验层在难度的爬塔测试中仍有帮助，开启经验层的版本能爬到A6至A8难度，关闭则稳定在A2至A4。相关词条:管道保温     塑料管材生产线     锚索    玻璃棉毡    PVC管道管件粘结胶

奥力斯    万能胶厂家    联系人：王经理    手机：18231788377（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定温州pvc管道管件胶，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。