阿拉亚实验室让AI打败"杀戮尖塔2"

这项研究由阿拉亚实验室（Alaya Lab）联合上海交通大学、上海创新研究院、南开大学与中国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。

先说说这项研究的背景。在AI的世界里，有这么一款游戏，它规则公开、每局随机、每一步都关乎后续几十上百步的成败，而且难度极高——连人类玩家在最低难度下的胜率也只有16%。这款游戏就是《杀戮尖塔2》（Slay the Spire 2），一个被研究团队选来测试AI决策能力的“硬核战场”。

在这个战场里，你扮演一个英雄，沿着地图向上攀爬，打怪、抽卡、购买道具、解谜，每场战斗都像一局考验记忆与策略的棋局。一局游戏通常包含数百个相互关联的决策，走错一步，可能几十步后才暴露代价。这正是测试AI“长线思维”能力的绝佳场景。

然而，公开评测数据显示，当前所有顶尖的大语言模型（就是像ChatGPT这类能理解和生成语言的AI系统）在这款游戏最低难度下的胜率：零。没有一个能赢。研究团队选择了这个“硬但不饱和”的任务——意思是它足够难，但还没难到让所有AI完全没希望。

所以，核心问题来了：如果给AI一套更聪明的“记忆方式”，它能打赢这款游戏吗？更重要的是，这套记忆方式能不能被拆开来检验，看清楚到底是哪一部分真正起了作用？

一、 一个让所有顶尖AI都败北的游戏

要理解这项研究，先得弄清楚AI在长期任务中面临的一个根本困境。

多数AI系统在处理一个需要持续决策的任务时，采用的是最简单的方式——把所有历史对话、每一个操作记录、每一条反思都堆进下一次提问里。这就好比你每次做下一道菜之前，都要把今天厨房里发生的所有事情重新讲一遍给助手听：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……随着时间推移，这份“历史汇报”越来越长，最终把真正有用的信息淹没在一堆噪音里。

更麻烦的是，这种方式还有一个隐患：当AI出错的时候，你根本不知道是哪条历史信息误导了它。是因为它记住了一次错误的经验？还是因为规则没说清？还是策略本身有问题？一切都混在一起，无从分辨。

研究团队将这种问题称为“记忆契约”——每一次决策，AI被允许看到哪些历史信息，这是一份隐性的合同。传统方式里，这份合同的内容是“把所有历史都堆进去”，带来的后果是内容混杂、成本高昂、难以定位问题所在。

正因如此，团队提出了一套完全不同的方案：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，拼成一条干净的、针对当前局面的提示信息。这个方案被他们称为“有界记忆契约”，而整个AI系统被命名为AgenticSTS。

二、 AI的记忆难题：堆积如山的聊天记录

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，拼成一条全新的提示信息发给AI。

第一个抽屉存放的是基本角色设定和格式规范，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，无需改动。第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牌、面对的敌人有什么技能、合法的操作有哪些，相当于厨师此刻面前这道菜的食谱框架。第三个抽屉是游戏规则知识库，储存了游戏里所有卡牌、圣物、怪物、事件的详细说明，就像一本随时可以翻阅的《食材百科》。

第四个抽屉则存放过往战局的经验摘要，按照角色、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。第五个抽屉最特别，存放的是触发式战略技巧，也就是一套“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一个关键特点：每个抽屉的内容是独立的，可以单独开关。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，然后再打开，对比前后的差异。这就像做一道菜时，你可以故意不放某种调料，单独测试它对味道的贡献。这种拆分测试，在传统的“历史堆叠”方式里是做不到的，因为所有信息都混在一起，根本分不清谁起了作用。

此外，整个设计还解决了另一个实际问题。由于每次决策都是重新拼出一条干净的提示，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，在对比方案下，某款竞品AI在单次游戏里的单次提示词长度从最初的约九千个词元（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，如同一条稳定的水平线贯穿整个游戏过程。

三、 五层记忆抽屉：把知识分门别类地收纳起来

研究团队设计了一套严谨的实验框架，目标只有一个：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。第一种是最裸的基础版本，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。第二种是完整提示版本，把基础格式和辅助工具全开，但依然关闭第四层（经验）和第五层（技巧）。第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第五层。第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”效果是否有差距。第五种是在第三种的基础上，同时打开第四层的经验摘要。

每种配置各运行十局游戏，合计五十局，所有配置都使用相同的AI引擎（Gemini 3.1 Pro），游戏难度锁定在最低的A0档，并且所有经验库和技巧库的内容都在测试前被“冻结”，不允许在测试期间更新，以确保条件纯净可对比。

胜负判定标准简单直接：赢了算一百分，没赢则根据打到了哪一层地图、清了几个大boss来折算分数。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。

四、 实验设计：把“哪个抽屉有用”变成可以量化的问题

测试结果清晰地指向了第五层——战略技巧层。

最基础的配置赢了十局中的三局，完整提示版本赢了四局，而一旦加入战略技巧层，无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，是整个实验中最明显的单层差距。

分数层面的表现同样印证了这一点。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一，整体上比无技巧的配置高出约十五分。

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“显著性”标准——换句话说，这是一个“方向明确”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零点三七，意味着仅凭这五十局的数据，还不能完全排除偶然因素的干扰。但这个方向本身已经相当清晰，值得进一步更大规模的验证。

另一个有意思的发现出现在第四层（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难度下的胜率完全相同，都是六局。这说明在最低难度的游戏中，经验层的贡献已经达到“饱和”——用厨师的比喻来说，这道菜的基础配方已经足够好，多放一种调料也不会让味道更上一层楼。不过，经验层在更高难度的探索任务中依然发挥作用，这一点在后续的爬塔测试中得到了体现。

五、 实验结果：战略技巧层才是真正的关键

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：赢了就挑战下一个难度，输了就在同一难度重试。结果是，开启了经验层和技巧层并允许赛后更新的版本，能够爬到A6至A8的难度区间；而不允许任何赛后更新的版本，最高只能稳定到A2至A4区间。两者之间的差距相当于从“入门玩家”跃升到了“进阶玩家”的水平。

团队还测试了同一套冻结的记忆库，在换了不同AI引擎之后是否依然有效。他们把Gemini训练积累的经验库和技巧库，原封不动地搬到Qwen 3.6-27B和DeepSeek V4 Pro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的效果反而略有下滑（从约四十一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一局。这说明，一套在某个AI引擎上积累的经验，并不能无条件地迁移到另一个引擎上——就像一位厨师的操作习惯，换了另一套厨具，不一定能完美复现同样的效果。

六、 爬塔测试与跨模型验证：更高难度下的表现如何？

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”方式，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（Gemini 3.1 Pro）、同款游戏版本线（v0.103.x）、同一角色、同一难度（A0）、每套各测五局。结果是，STS2MCP五局全败，平均只打到了地图第十七层；CharTyr五局也全败，平均只打到第五点六层，而且频繁出现操作格式错误。而AgenticSTS的完整版本赢了六局，平均分八十二点一；即便是最精简的基础版本也赢了三局，平均分七十点四。

在效率层面，差距更为悬殊。在每推进一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。这个差距几乎完全来自AI引擎的响应等待时间，而非程序本身的运行速度。

代币消耗方面的差距则接近骇人：每得到一分所消耗的“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。即便用最宽松的假设来估算AgenticSTS的消耗，差距也依然超过七倍。换句话说，竞品系统花一百块钱能买到的游戏效果，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更优越”这一结论，因为两套系统在很多方面并不完全对等，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在同一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。

七、 与同类AI的对比：不仅赢得更多，花费还少百倍

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家”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，包括置信区间计算和自助抽样分析方法。

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”作为第六种配置加入到同一测试矩阵里，得到一个真正受控的对比结果。

说到底，这项工作最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一种新的研究范式：AI的记忆设计可以被清晰地拆解、独立测试、量化比较，而不是作为一个模糊的“工程选择”被默默忽略。

把记忆分成五个类型不同、可以独立开关的抽屉，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——这三件事放在一起，构成了一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。所有高难度游戏测试只用了一个角色（沉默者），每种配置只跑了十局，与历史堆叠方式的正面对比还不够受控。但这些都是方向明确、方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，等待下一步实验的到来。

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，这项来自多所顶尖学术和产业机构的研究，提供了一种思路：与其让AI背负越来越重的历史包袱，不如教它学会精准地“按需取用”。

八、 公开发布的资源：让别人也能复现和研究

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独立抽屉：基础角色设定、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，拼成一条全新提示。每个抽屉可以单独开关，方便研究者测试哪一层真正影响了AI表现。

Q2：AgenticSTS和传统历史堆叠型AI在《杀戮尖塔2》里差距有多大？

A：差距相当明显。在同样的最低难度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。效率上，竞品每推进一层地图平均花费约十分钟，AgenticSTS只需约两点三分钟。词元消耗方面，竞品每得一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更重要？

A：实验结果显示，加入战略技巧层（第五层）后胜率从三到四局跳升至六局，是五个配置中最明显的单层差距。而加入经验层（第四层）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”。但经验层在更高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，关闭则最高稳定在A2至A4。