Statt ein immer längeres Protokoll mitzuschleppen, setzt AgenticSTS jede Entscheidung aus fünf geordneten Speicherschichten neu zusammen. | Bild: Cheng et al.Als Prüfstand dient das Deckbuilding-Roguelike Slay the Spire 2. Ein Durchlauf besteht aus hunderten Entscheidungen: Karten wählen, Kämpfe planen, Routen auf der Karte festlegen, Gegenstände kaufen. Die Regeln sind vollständig als Text darstellbar, der Zufall groß und die Aufgabe lang. Laut Entwickler gewinnen menschliche Spieler auf der niedrigsten Schwierigkeitsstufe A0 in 16 Prozent der Fälle. Frontier-Modelle wie in der Auswertung von AGI-Eval gewinnen in fünf getesteten Konfigurationen kein einziges Mal. Das Spiel ist schwer, aber offen genug, dass Architekturunterschiede sichtbar werden.
Ein Kampf in Slay the Spire 2: Aus solchen Spielzuständen leitet der Agent seine Entscheidungen ab – Karten, Gegner und Werte liegen komplett als Text vor. | Bild: Cheng et al.Fünf Schubladen statt eines wachsenden Protokolls
Übliche LLM-Agenten wie ReAct oder Reflexion hängen frühere Beobachtungen, Tool-Aufrufe und Selbstreflexionen an den nächsten Prompt an. Der Kontext wächst mit jedem Schritt, bis das Fenster überläuft oder die Aufmerksamkeit des Modells verwässert. AgenticSTS geht den umgekehrten Weg: Für jede Entscheidung wird der Prompt aus fünf klar getrennten Slots frisch zusammengesetzt.
Die fünf Schubladen im Detail: L1 und L2 sind fest, L3 abrufbar, L4 und L5 lernen zwischen den Runs dazu. Rechts der Punktevorsprung gegenüber den getesteten Modellen. | Bild: Cheng et al.L1 enthält feste Protokoll-Anweisungen, L2 Zustandsschemata mit den gerade gültigen Aktionen, L3 die abgerufenen Spielregeln, L4 Zusammenfassungen früherer Runs und L5 gezielt ausgelöste Strategie-Skills. Was der Agent aus einer früheren Entscheidung mitnehmen will, muss vorher in einen dieser Speicher geschrieben werden.
Der Prompt bleibt dadurch klein, egal wie lange ein Run läuft. Und weil jede Schicht einzeln adressiert ist, kann geprüft werden, welche Komponente tatsächlich zu einer Verbesserung beiträgt.
Skill-Bibliothek erreicht 6 statt 3 Siege
Für den Hauptvergleich hat das Team fünf Konfigurationen mit je zehn Läufen auf der niedrigsten Schwierigkeitsstufe A0 gegeneinander laufen lassen. Ohne jede Speicherschicht gewinnt der Agent 3 von 10 Spielen. Sobald die Skill-Bibliothek L5 zugeschaltet wird, in der taktische Regeln für wiederkehrende Situationen abgelegt sind, steigt die Gewinnrate auf 6 von 10, und zwar unabhängig davon, ob die Skills von Hand geschrieben oder aus Vorlagen generiert wurden.
Erst wenn der Speicher zwischen den Runs weiterlernt, klettert der Agent auf die hohen Ascension-Stufen A6 bis A8 – ohne diesen Speicher ist bei A2 bis A4 Schluss. | Bild: Cheng et al.Bei nur zehn Läufen pro Bedingung räumen die Autoren selbst ein, dass die Verdopplung auch Zufall sein könnte. Die episodischen Erinnerungen an frühere Runs (L4) bringen auf A0 keinen zusätzlichen Vorteil. Sie werden erst relevant, wenn der Agent in einem zweiten Testmodus nach jedem Sieg die nächsthöhere Schwierigkeitsstufe versucht: Mit aktivem Speicher, der zwischen den Runs aktualisiert wird, klettern die Läufe bis A6 bis A8, ohne diesen Speicher bleibt bei A2 bis A4 Schluss.
In einem weiteren Experiment prüften die Forscher, ob das einmal gesammelte Wissen zwischen Modellen übertragbar ist. Dazu wurde ein Speicherstack, den Gemini 3.1 Pro in eigenen Spielen aufgebaut hatte, eingefroren und unverändert an zwei andere Modelle weitergereicht.
Bei Qwen 3.6-27B stieg der mittlere Punktwert um 84,5 Prozent, bei DeepSeek V4-Pro fiel er um 18,1 Prozent. Siege erzielte keines der beiden Modelle. Der Speicherinhalt ist offenbar an das Modell gekoppelt, mit dem er entstanden ist, und lässt sich nicht ohne Weiteres wiederverwenden.
Effizienzabstand zum Stand der Praxis
Interessanter als die Ablationen im eigenen Codebase ist der Vergleich mit zwei öffentlich verfügbaren Slay-the-Spire-2-Agenten, die dem klassischen Muster mit wachsendem Chat-Transkript folgen: STS2MCP und CharTyr. Für strategische Entscheidungen nutzten alle Agenten Gemini 3.1 Pro. Ergebnis: 0 Siege bei jeweils 5 Läufen.
Gegen die beiden öffentlichen Agenten mit wachsendem Protokoll gewinnt AgenticSTS häufiger – und braucht dafür deutlich weniger Zeit und Tokens. | Bild: Cheng et al.Noch drastischer fällt der Kostenvergleich aus. Für jeden Punkt, den die beiden Konkurrenten im Spiel erreichen, schicken sie 66- bis 90-mal so viele Tokens an das Sprachmodell wie AgenticSTS. Der Grund liegt im wachsenden Protokoll: Bei STS2MCP erreichte ein einzelner Modellaufruf gegen Ende einer Partie rund 527.000 Tokens, weil bei jeder neuen Entscheidung die gesamte bisherige Spielhistorie erneut mitgeschickt wird. Bei AgenticSTS bleibt der eigentliche Nutzertext dagegen bei rund 5.000 Tokens, egal wie lange die Partie schon läuft.
Auch zeitlich zahlen die akkumulierenden Agenten drauf: Sie benötigen viermal so lange, um dieselbe Etage im Spiel zu erreichen. Laut den Provider-Statistiken geht dieser Zeitverlust zu 96 Prozent auf das Konto der Modell-Latenz, also der reinen Wartezeit auf die Antwort des Sprachmodells, und nicht auf die Steuerungs-Software drumherum.
Der Kern des Effizienzabstands: Bei den Konkurrenten wächst der Prompt pro Zug ins Sechsstellige, während AgenticSTS unabhängig von der Run-Länge bei rund 5.000 Tokens bleibt. | Bild: Cheng et al.Die Autoren räumen ein, dass der Vergleich keine saubere Ablation ist. STS2MCP und CharTyr unterscheiden sich von AgenticSTS auch bei Faktoren wie Routing und Entscheidungs-Batching. Der Abstand beschreibt also den aktuellen Zustand der öffentlichen Landschaft, nicht die isolierte Wirkung des Speicherkonzepts.
Was noch fehlt
Der eigentliche Test steht noch aus: ein akkumulierender Kontext im selben Codebase mit gleichem Scoring. Die Hauptzahlen basieren auf 50 Läufen, getestet wurde bisher nur ein Charakter (Silent) auf einer Spielversion. Ob sich der Ansatz auf andere Charaktere und Patches übertragen lässt, ist offen.
Das Team veröffentlicht 298 komplette Spielverläufe, die eingefrorenen Speicher-Snapshots und die Auswertungsskripte auf Hugging Face. So können andere Forschungsgruppen alternative Speicherarchitekturen in derselben Umgebung testen. Der Anspruch des Papers ist am Ende bescheidener, als die Zahlen im Vergleich zur Konkurrenz vermuten lassen. Wer den Speicher eines Agenten in klar benannte Schichten aufteilt, kann später auch benennen, welche Schicht für welches Verhalten verantwortlich ist.
Effizientes Gedächtnis für KI-Agenten ist derzeit ein vielbeachtetes Forschungsfeld. Das mit jeder Runde wachsende Chat-Protokoll macht die Modelle langsamer, teurer und ungenauer. Das Problem ist als Context Rot bekannt.
AgenticSTS ist mit seinem Ansatz nicht allein. Anthropic etwa löscht mit Memory Tool und Context Editing veraltete Tool-Ergebnisse automatisch aus dem Kontext und lagert Wichtiges in externe Dateien aus. In eigenen Tests sank der Token-Verbrauch einer 100-Runden-Websuche so um 84 Prozent. Das chinesische GAM verteilt Archivierung und Abruf auf zwei spezialisierte Agenten. Das Open-Source-Framework Mastra verdichtet Konversationen nach menschlichem Vorbild zu dichten Textnotizen außerhalb des Kontextfensters.
