阿拉亚实验室让AI打败"杀戮尖塔2"
一项研究提出有界记忆契约系统AgenticSTS，将AI知识分为五层独立抽屉，使决策时按需取用而非堆叠历史记录。在《杀戮尖塔2》最低难度测试中，该系统胜率显著高于传统历史堆叠型AI，效率提升约四倍，词元消耗降低六十至九十倍。战略技巧层是提升表现的关键因素。
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。
WPS Office是一款面向macOS用户的综合办公套件，将文字处理、电子表格、演示文稿、PDF工具、模板与云协作整合在同一应用中。它兼容常见Microsoft Office格式，支持Intel及Apple芯片Mac，基础功能可免费使用，
Shapr3D是一款面向工业设计、机械工程、建筑概念和三维打印工作流的CAD软件。Mac版采用Parasolid建模内核，支持草图约束、实体建模、工程图、可视化渲染及常见CAD格式交换，并可通过账户在多台设备之间同步项目。
REAPER是Cockos开发的数字音频工作站，提供多轨音频与MIDI录制、剪辑、处理、混音和母带制作工具。Mac版兼容Intel与Apple芯片，支持AU、VST、VST3、CLAP等插件格式，并提供高度可定制的工作流程。
Ableton Live 是面向音乐制作人与现场表演者的数字音频工作站，提供编曲视图、独具特色的现场视图、音频录制、MIDI创作、实时变速、乐器及效果器。Mac版原生支持Apple芯片，并可连接音频接口、MIDI控制器和第三方插件。
Adobe After Effects 是面向动态图形、影视特效与视频合成的专业创作软件。它提供关键帧动画、遮罩抠像、运动跟踪、三维空间、文字动画和表达式等工具，并可与 Premiere Pro、Photoshop、Illustrator
Adobe Audition 是面向播客、影视后期、音乐制作及内容创作者的专业音频工作站，提供波形精修、多轨录制与混音、频谱编辑、降噪修复、响度匹配和效果处理工具，并可与 Adobe Premiere 协同完成视频声音制作。
Adobe Bridge 是面向摄影师、设计师及内容团队的免费数字资产管理工具，可集中预览照片、视频和 Adobe 项目文件，并利用评级、标签、关键词、元数据、筛选与收藏集完成分类检索。它还支持批量重命名、格式导出、相机导入及 Camera
Adobe Illustrator 是 Adobe 推出的专业矢量图形设计软件，适合在 Mac 上制作标志、图标、插画、包装、信息图及印刷版面。它以路径和锚点构建可无损缩放的图形，并提供钢笔、形状、文字、图像描摹、渐变、画板及生成式功能。
Adobe InDesign 是面向印刷品与数字出版物的专业版面设计软件，可在 Mac 上制作书籍、杂志、宣传册、海报、报告及交互式文档。它提供精细的文字样式、网格、母版、长文档管理和印前输出能力。
Adobe Lightroom Classic 是面向桌面摄影工作流的照片管理与后期处理软件，可将原始照片保存在本地硬盘，通过目录、关键词、评分和收藏夹高效整理图库，并提供 RAW 冲印、蒙版、镜头校正、批量同步及多格式导出等功能。
Adobe Media Encoder 是 Adobe 推出的专业音视频编码与转码工具，可通过队列、预设和监视文件夹批量完成格式转换、代理文件创建及多平台成片输出，并与 Premiere Pro、After Effects 等软件紧密协作。
Adobe Photoshop 是面向摄影师、设计师和内容创作者的专业图像处理软件，提供图层、蒙版、选区、修复、调色、文字排版、智能对象及生成式编辑等能力。Mac 版支持 Intel 与 Apple Silicon 处理器。
Adobe Acrobat Pro 是面向专业 PDF 工作的综合解决方案，可在 Windows 中创建、编辑、转换、比较、整理和保护文档，并支持表单、电子签名、扫描件文字识别及敏感信息永久遮盖。订阅还包含网页、移动服务和云端协作能力，
Adobe After Effects 是面向动态图形、动画与影视视觉特效制作的专业工具，可完成关键帧动画、图层合成、遮罩跟踪、抠像、文字动画和二维三维元素整合。Windows 版通过 Adobe Creative Cloud 安装及更新，
DaVinci Resolve是Blackmagic Design推出的一体化影视后期工具，将素材管理、非线性剪辑、专业调色、Fusion视觉特效、Fairlight音频处理和成片交付整合在统一工程中。免费版已覆盖多数个人创作需求，
Adobe Media Encoder 是 Adobe 面向视频与音频制作流程提供的专业编码和转码工具，可批量处理媒体文件、创建代理、套用输出预设并监控文件夹自动执行任务。它与 Premiere、After Effects、Audition
Cinema 4D是Maxon推出的专业三维创作软件，将建模、动画、MoGraph动态图形、粒子与动力学模拟、材质灯光及Redshift渲染整合在统一工作环境中，适用于广告包装、影视特效、产品和建筑可视化、游戏素材等制作场景。
Blender 是免费开源的三维创作套件，在 Windows 上提供建模、雕刻、材质、动画、物理模拟、合成、跟踪、视频剪辑及 Cycles、EEVEE 渲染工具。它适合个人创作者、学生和小型工作室，
Autodesk Maya 是面向影视、电视、动画和游戏行业的专业三维制作软件，集多边形与 NURBS 建模、角色绑定、关键帧和动作捕捉动画、Bifrost 特效模拟、材质开发及 Arnold 渲染于一体，
AutoCAD 是 Autodesk 推出的专业计算机辅助设计软件，Windows 版支持精确二维绘图、三维实体与曲面建模、图纸标注、布局发布和任务自动化，并包含多套行业专业化工具组合，适用于建筑、机械、电气、工程建设及制造设计人员。
SketchUp Pro 是面向建筑、室内、景观、施工和产品设计等专业场景的三维建模工具，提供桌面建模、LayOut 二维文档、模型资源库、扩展程序及云端协作能力。其操作逻辑直观，适合从概念推敲、空间规划到图纸表达和方案汇报的完整工作流程。
AutoCAD LT 是 Autodesk 推出的专业二维 CAD 软件，适合建筑师、工程师、施工人员和设计师完成精确绘图、标注及文档编制。它支持 DWG 工作流、智能块、图形比较、计数、表格和 AutoLISP 自动化，
Rhino 3D 是 McNeel 推出的专业三维建模工具，可创建、编辑和分析 NURBS 曲线曲面、实体、网格、SubD 与点云。Windows 版支持精确造型、工程制图、渲染、文件转换及 Grasshopper 参数化设计，
Autodesk Fusion 是面向产品设计与制造的云连接开发平台，在统一环境中整合三维 CAD、CAM、CAE、PCB、工程图、数据管理和团队协作功能，适合产品设计师、机械工程师、电子工程师及加工制造团队完成从概念建模、验证分析到生产交