Los modelos de frontera han fracasado repetidamente en el juego de cartas digital Slay the Spire 2. Una nueva arquitectura de memoria demuestra que el problema no está tanto en el modelo mismo, sino en lo que arrastra de las jugadas previas.

¿Cuánto de su conversación pasada debería siquiera ver un agente de IA cuando persigue un objetivo a lo largo de cientos de decisiones? El proyecto AgenticSTS, desarrollado en Alaya Lab junto a la Universidad Jiao Tong de Shanghái y otras instituciones, da vuelta la respuesta habitual. El agente nunca ve su propio registro de chat, sino que reconstruye cada decisión a partir de un catálogo fijo de información ordenada.

¿Por qué Slay the Spire 2 como prueba?

Los investigadores eligieron el roguelike de construcción de mazos Slay the Spire 2 como banco de pruebas. Una sola partida implica cientos de decisiones, desde elegir cartas y planificar combates hasta escoger rutas en el mapa y comprar objetos. Las reglas se traducen por completo a texto, la aleatoriedad es alta y las partidas son largas. Los jugadores humanos ganan el 16 por ciento de las veces en el nivel de dificultad más bajo, A0, según los desarrolladores. Los modelos de frontera usados en la evaluación AGI-Eval no ganaron ni una sola partida en cinco configuraciones probadas. El juego es difícil, pero lo bastante abierto como para que las diferencias de arquitectura se noten con claridad.

Cinco casilleros reemplazan a un registro que crece

Los agentes de IA típicos, como ReAct o Reflexion, van agregando al siguiente prompt las observaciones pasadas, las llamadas a herramientas y las autorreflexiones. El contexto crece con cada paso hasta que la ventana se desborda o la atención del modelo se diluye. AgenticSTS hace lo contrario. Para cada decisión, el prompt se arma de cero a partir de cinco casilleros claramente separados.

  • L1 contiene instrucciones de protocolo fijas.
  • L2 guarda los esquemas de estado con las acciones actualmente válidas.
  • L3 almacena las reglas del juego recuperadas.
  • L4 conserva resúmenes de partidas anteriores.
  • L5 guarda habilidades estratégicas que se activan para situaciones específicas.

Cualquier cosa que el agente quiera arrastrar de una decisión previa debe escribirse primero en una de estas zonas de almacenamiento. Así el prompt se mantiene corto sin importar cuánto dure una partida y, como cada capa se direcciona por separado, los investigadores pueden precisar qué componente impulsa realmente una mejora.

Una biblioteca de habilidades duplica las victorias

Para la comparación principal, el equipo enfrentó cinco configuraciones entre sí, con diez partidas cada una en la dificultad más baja, A0. Sin ninguna capa de memoria, el agente gana 3 de 10 partidas. Al activar la biblioteca de habilidades L5, que almacena reglas tácticas para situaciones recurrentes, la tasa de victorias salta a 6 de 10. Eso se mantiene tanto si las habilidades se escribieron a mano como si se generaron a partir de plantillas.

Con solo diez partidas por condición, los propios autores admiten que la duplicación podría ser ruido estadístico. Las memorias episódicas de partidas pasadas (L4) no ayudan en A0 y solo importan cuando el agente, en un segundo modo de prueba, intenta la dificultad inmediatamente superior tras cada victoria. Con memoria activa que se actualiza entre partidas, el agente llega a los niveles A6 a A8. Sin ella, se estanca entre A2 y A4.

En un experimento aparte, los investigadores probaron si el conocimiento construido por un modelo se transfiere a otros. Congelaron una pila de memoria que Gemini 3.1 Pro había acumulado en sus propias partidas y se la pasaron sin cambios a otros dos modelos. Qwen 3.6-27B vio subir su puntaje promedio en 84,5 por ciento, mientras que el de Deepseek V4-Pro cayó 18,1 por ciento. Ninguno de los dos ganó una partida. El contenido de la memoria parece atado al modelo que lo creó y no se transfiere bien.

¿Dónde está la brecha real? En los tokens

Más interesante que los ajustes al código propio del equipo es la comparación con dos agentes públicos de Slay the Spire 2 que siguen el patrón clásico de transcripción creciente, STS2MCP y CharTyr. Todos los agentes usaron Gemini 3.1 Pro para las decisiones estratégicas. Ninguno de los competidores ganó ninguna de sus 5 partidas.

Los números de costo son aún más llamativos: por cada punto que anotan los dos competidores, envían al modelo de lenguaje entre 66 y 90 veces más tokens que AgenticSTS. La razón es el registro que crece. En STS2MCP, una sola llamada al modelo cerca del final de una partida llegó a unos 527.000 tokens, porque toda la historia del juego se reenvía con cada nueva decisión. AgenticSTS mantiene el texto real del usuario en torno a los 5.000 tokens, sin importar cuánto lleve la partida.

Los agentes acumulativos también pagan una penalización de tiempo: tardan cuatro veces más en alcanzar el mismo nivel. Según las estadísticas del proveedor, el 96 por ciento de esa pérdida de tiempo proviene de la latencia del modelo, es decir, la pura espera por la respuesta del modelo de lenguaje más que del software de control que lo rodea.

Lo que todavía falta

El equipo aún no ha corrido la prueba definitiva: ejecutar un contexto acumulativo dentro del mismo código y con la misma métrica de puntaje. Las cifras clave se basan en 50 partidas y, hasta ahora, solo se ha probado un personaje (Silent) en una única versión del juego. Queda abierto si el enfoque funciona con otros personajes y parches.

El equipo publica 298 partidas completas, instantáneas congeladas de memoria y scripts de evaluación en Hugging Face, para que otros grupos de investigación prueben arquitecturas de memoria alternativas en el mismo entorno. La afirmación real del paper es más modesta de lo que sugieren los números frente a la competencia: al dividir la memoria de un agente en capas con nombre propio, después se puede determinar qué capa impulsa cada comportamiento.

Un problema de moda: el "context rot"

La memoria eficiente para agentes de IA es un área de investigación muy activa hoy. El registro de chat que crece en cada turno vuelve a los modelos más lentos, más caros y menos precisos. Los investigadores llaman a este problema context rot, la degradación del contexto.

AgenticSTS no está solo en atacarlo. Anthropic usa su Memory Tool y Context Editing para eliminar de forma automática los resultados de herramientas obsoletos del contexto y guardar la información importante en archivos externos. En sus propias pruebas, eso recortó el uso de tokens de una búsqueda web de 100 rondas en un 84 por ciento. El framework chino GAM reparte el archivado y la recuperación entre dos agentes especializados. El framework de código abierto Mastra condensa las conversaciones en notas de texto concisas guardadas fuera de la ventana de contexto, imitando cómo manejan la memoria los humanos.