Команда AgenticSTS столкнулась с конкретной проблемой: AI-агент, играющий в карточную стратегию Slay the Spire 2, к середине забега накапливал свыше 500 000 токенов в чат-логе. Исследователи заменили непрерывный лог пятью специализированными слоями памяти — и промпт зафиксировался на уровне 5 000 токенов. Итог: агент выиграл 6 из 10 партий, тогда как конкурирующие подходы не взяли ни одной.
Контекст
Slay the Spire — рогалик-карточная игра, требующая долгосрочного планирования: за один забег нужно принять сотни взаимосвязанных решений, строить колоду, адаптироваться к случайным событиям и удерживать в голове десятки игровых состояний. Именно поэтому она стала популярным полигоном для тестирования AI-агентов: задача нетривиальная, результат измеримый, условия воспроизводимые. Второй выпуск вышел в Early Access и стал новым стендом для таких экспериментов.
Стандартная архитектура LLM-агентов — ReAct и её вариации — работает через непрерывный чат-лог: каждый ход агент читает всю историю и добавляет новую запись. Для коротких задач это терпимо. Для длинных — контекст растёт линейно со временем, стоимость инференса растёт вместе с ним, а релевантная информация тонет в шуме прошлых ходов. Полмиллиона токенов на одну партию карточной игры — не исключение, а закономерность для сложных agentic-задач.
AgenticSTS — не первая попытка структурировать память агентов, но один из редких случаев, когда подход проверен на измеримом бенчмарке с чёткими цифрами победа/поражение. Это ценнее, чем концептуальный whitepaper.
Аналитика
Результат 6:0 — не просто победа в игре. Это 100-кратное сокращение потребления токенов при лучшем результате. Оба факта вместе — сильный аргумент против подхода «дайте модели бесконечный контекст, и она сама разберётся». Даже у моделей с контекстом в миллион токенов качество внимания деградирует на длинных последовательностях, а цена одного запроса растёт пропорционально. Коммерчески дееспособный агент не может позволить себе полмиллиона токенов за сессию.
Пять слоёв памяти AgenticSTS воспроизводят то, что в когнитивной науке давно известно: у людей нет одной «памяти» — есть рабочая, эпизодическая, семантическая, процедурная. Разные типы информации хранятся по-разному и извлекаются с разной скоростью. Применить ту же логику к агенту — разделить «что я делаю прямо сейчас» от «что я знаю об этой задаче в принципе» — звучит очевидно ретроспективно. Реализовать в рабочей системе с измеримым улучшением — другое дело.
Не токены решают — структура. AgenticSTS добавляет ещё одно подтверждение тренда, который набирает силу: RAG, memory graphs, structured state — разные ответы на одну и ту же проблему бесконечно растущего контекста.
Кейсы применения в бизнесе
B2B-SaaS стартап с AI-агентом поддержки. Если агент ведёт тикет несколько часов — несколько раундов переписки, чтение кода, поиск в базе знаний — чат-лог раздувается быстро. Внедрение structured memory: отдельный слой для контекста клиента, отдельный для текущей проблемы, отдельный для истории попыток. Стоимость per-conversation падает, агент не «забывает» ключевые факты под слоем мусора из прошлых ходов.
Корпорация с AI-ассистентом для разработчиков. Copilot-подобные агенты, работающие с большим кодовым контекстом на протяжении рабочего дня, накапливают десятки тысяч токенов. Разделение на «активный файл», «связанные модули», «история изменений в сессии» позволяет агенту оставаться в рамках разумного окна без потери контекста — и про производительность, и про стоимость.
SMB в КР/СНГ с Telegram-ботом на базе агента. Переход от FAQ-бота к agentic-боту (принять заказ → уточнить детали → записать → уведомить менеджера) требует архитектуры памяти с первого дня. Минимальный старт: рабочий контекст для текущего шага + постоянное хранилище фактов о клиенте. Без этого агент либо «забывает» имя клиента на третьем сообщении, либо раздувает промпт до неприемлемой стоимости.
Кейсы в личной жизни
Разработчик на долгих debugging-сессиях. Вместо прокидывания всей истории в один промпт — структурируй ввод явно: «текущий баг», «что уже пробовал», «контекст проекта» как отдельные блоки. Большинство фреймворков — LangGraph, CrewAI — поддерживают кастомные memory-стратегии. Даже простая ручная структуризация снижает потребление токенов и повышает точность ответов.
Контент-мейкер, автоматизирующий производство. Если агент ведёт проект статьи или сценария несколько часов — сохраняй структурированный «план» и «ключевые тезисы» отдельно от диалога. Агент будет возвращаться к ним при каждом запросе вместо того, чтобы восстанавливать контекст из растущего лога.
Студент или исследователь с длинными документами. Инструменты с сегментированной памятью — когда факты и цитаты хранятся отдельно от рабочей беседы — дают более точные ответы, чем прокидывание всего текста в один промпт целиком. Это не магия, а вопрос архитектуры.
Как применить сегодня
- Реализуй хотя бы два слоя памяти в своём агенте: рабочий контекст (только текущий шаг) и персистентное хранилище (факты, цели, история). SQLite или JSON-файл уже лучше плоского чат-лога.
- Изучи встроенные концепции short-term и long-term memory в LangGraph — там есть примеры с разделением слоёв и готовые адаптеры.
- Добавь summarization-шаг каждые N ходов: агент сам сжимает историю в структурированный формат вместо её бесконечного накопления в контексте.
- Найди репозиторий AgenticSTS на GitHub — там рабочий пример с пятью слоями и код для воспроизведения на Slay the Spire 2.
- Тест своего агента: если промпт растёт линейно со временем — архитектура памяти сломана. Здоровый агент держит контекст в пределах разумного вне зависимости от длины сессии.