Ein internationales Forschungsteam hat mit AgenticSTS ein neues Gedächtnissystem für KI-Agenten vorgestellt, getestet im Kartenspiel Slay the Spire 2. Fünf getrennte Speicherschichten ersetzen dabei das bisher übliche Prinzip wachsender Chatprotokolle. Im Test steigt die Gewinnquote der Agenten von drei auf sechs von zehn Partien, während der Tokenverbrauch pro Entscheidung konstant bleibt.
Fünf Schichten ersetzen wachsende Chatprotokolle
Herkömmliche KI-Agenten hängen bei jeder neuen Entscheidung das komplette bisherige Gesprächsprotokoll an den nächsten Prompt an. Bei langen Partien wächst dieser Kontext nach Angaben des Teams auf rund 500.000 Tokens an, ein Vielfaches dessen, was ein einzelnes Modell noch zuverlässig verarbeiten kann. AgenticSTS ersetzt diesen Ansatz durch einen begrenzten Vertrag aus fünf typisierten Schichten, die für jede einzelne Entscheidung neu zusammengesetzt werden, statt Rohdaten aus früheren Zügen mitzuschleppen.
Der auf GitHub veröffentlichte Code unterscheidet Rollen-Vorlagen für unterschiedliche Spielphasen und Status-Schemata mit den jeweils zulässigen Aktionen. Hinzu kommen statisches Spielwissen zu Karten und Gegnern sowie eine Bibliothek strategischer Regeln mit klaren Auslösebedingungen. Die episodische Gedächtnisschicht ordnet vergangene Läufe zusätzlich nach Charakter, Aufstiegsgrad, Akt und Gegnertyp, damit passende Erfahrungen gezielt abrufbar sind. Jede der fünf Schichten lässt sich einzeln abschalten, wodurch ihr Beitrag getrennt messbar wird.
Als Testfeld dient das Kartenspiel Slay the Spire 2, ein regelbasierter Deckbuilder mit Zufallselementen, der laut den Autoren hunderte taktische und strategische Entscheidungen pro Durchlauf verlangt. Der Agent steuert das Spiel über eine Programmierschnittstelle, die ein eigens entwickeltes Spielmodul bereitstellt.
Gewinnquote steigt von drei auf sechs Siege
In den Tests der Forschungsgruppe gewinnt die Basisversion ohne zusätzliche Fähigkeiten-Schicht drei von zehn Partien. Wird die fünfte Schicht mit strategischen Regeln aktiviert, steigt die Quote auf sechs von zehn Partien. Frontier-Sprachmodelle kommen laut dem im Paper zitierten AGI-Eval-Benchmark auf der niedrigsten Schwierigkeitsstufe bislang auf null Siege, bei einer maximal möglichen Niederlagenschwelle von 33 Zügen. Menschliche Spielerinnen und Spieler gewinnen den Angaben zufolge etwa sechzehn Prozent von rund 240 Millionen ausgewerteten Partien der Community. Die Studie greift damit eine bereits dokumentierte Schwäche aktueller Sprachmodelle bei sehr langen, strategischen Aufgabenfolgen auf.
Bei nur zehn Durchläufen je Konfiguration räumen die Autoren selbst ein, der Unterschied sei statistisch nicht gesichert. Ein Fisher-Exakt-Test ergebe einen p-Wert von etwa 0,37, weshalb die Verbesserung als Tendenz gelte und nicht als belegter Effekt. Unabhängig verifiziert sind die Gewinnquoten bislang nicht, sie stammen ausschließlich aus den eigenen Experimenten des Teams. Für belastbarere Aussagen wären deutlich größere Stichproben nötig, worauf die Veröffentlichung selbst hinweist.
Tokenverbrauch bleibt über lange Partien konstant
Der zentrale Effizienzgewinn liegt weniger in der Spielstärke als im Ressourcenverbrauch. Klassische Kontext-Anhänge-Verfahren wachsen in einem einzigen Durchlauf auf bis zu 500.000 Tokens an, während der Prompt-Umfang bei AgenticSTS über die gesamte Partie hinweg nahezu gleich groß bleibt. Im Vergleich zu offenen Konkurrenzsystemen benötigt der Ansatz nach Angaben des Teams zwischen 66 und 90 Mal weniger frische Sprachmodell-Tokens pro erzieltem Punktwert.
Bereitgestellt wird das Projekt vom Forschungslabor AlayaLab, das den Quellcode offen auf GitHub führt. Zur Nachprüfbarkeit veröffentlicht das Team zusätzlich 298 vollständige Spielverläufe mit Bedingungs-Kennzeichnungen, eingefrorenen Gedächtnis- und Fähigkeiten-Ständen sowie vollständigen Prompt-Protokollen und Analyseskripten. Auf der Projektseite bei Hugging Face rangierte die Anfang Juli veröffentlichte Arbeit am Erscheinungstag auf Platz zwei der Paper-Rangliste der Plattform. Andere Forschungsgruppen können die bereitgestellten Daten und den Code nutzen, um einzelne Gedächtnisschichten in eigenen Experimenten zu testen. Für Entwicklerteams bedeutet ein flacher Tokenverbrauch potenziell geringere Rechenkosten bei Agenten, die viele aufeinanderfolgende Entscheidungen treffen müssen.
Entscheidend wird, ob sich das Prinzip begrenzter, typisierter Speicherschichten auch außerhalb von Spiel-Testfeldern bewährt, etwa bei Kundenservice- oder Programmier-Agenten, deren Kontextfenster in der Praxis ähnlich unkontrolliert wachsen. Offen bleibt zudem, ob die Gewinnquote mit größeren Stichproben tatsächlich stabil bleibt oder sich als statistisches Rauschen erweist. Da Code und Rohdaten frei zugänglich sind, dürfte sich diese Frage in den kommenden Monaten durch unabhängige Nachtests klären lassen.
