阿拉亚实验室让AI打败"杀戮尖塔2"

这项突破性研究由阿拉亚实验室（Alaya Lab）联合上海交通大学、阿拉上海创新研究院、亚实验室南开大学及中国科学技术大学共同完成。败杀研究成果以预印本形式于2026年7月2日发布在arXiv平台，戮尖论文编号为 arXiv:2607.02255v1。阿拉感兴趣的亚实验室研究者可通过该编号直接检索并下载完整论文。

一、败杀 挑战AI极限：为何选择《杀戮尖塔2》？戮尖

《杀戮尖塔2》（Slay the Spire 2）是一款规则完全公开、过程高度随机且决策链条极长的阿拉策略卡牌游戏。其核心难点在于：
* 长线决策依赖：每一步操作都影响后续数十甚至上百步的亚实验室局势。
* 高门槛：即便在最低难度下，败杀人类玩家的戮尖胜率也仅为16%。
* 测试价值：它是阿拉检验AI“长期记忆”与“策略规划”能力的绝佳沙盒。

然而，亚实验室公开评测显示，败杀包括ChatGPT在内的主流大语言模型（LLM）在该游戏最低难度下的胜率为零。研究团队选择这一“高难度但未饱和”的任务，旨在验证一个核心假设：如果赋予AI更智能的“记忆管理机制”，它能否突破胜率瓶颈？且这种机制是否可被拆解量化？

二、 痛点解析：传统AI的“记忆困境”

传统AI在处理长期任务时，普遍采用“历史堆叠”策略——即将所有历史对话、操作记录及反思全部输入下一次决策中。这种方式存在三大致命缺陷：

1. 信息噪音淹没：随着游戏进程推进，历史记录呈指数级增长，关键信息被大量无关细节淹没，导致AI“失忆”或误判。
2. 归因困难：当AI出错时，无法定位是错误记忆、规则误解还是策略缺陷，因为所有信息混杂在一起。
3. 成本高昂：上下文窗口迅速耗尽，推理成本急剧上升。

研究团队将这种隐性约束称为“记忆契约”。为此，团队提出了“有界记忆契约”方案，并构建了名为 AgenticSTS的AI系统。该系统不再堆砌历史，而是从分类明确的“记忆库”中按需提取信息，生成精简、干净的提示词。

三、 核心架构：五层“记忆抽屉”设计

AgenticSTS将知识体系划分为五个独立模块（即“抽屉”），每次决策时仅调用当前所需内容：

设计优势：
* 独立可控：每个抽屉可单独开关，便于进行消融实验，精准定位各模块对胜率的影响。
* 长度恒定：无论游戏进行多久，提示词长度稳定在约 5,000词元。相比之下，竞品AI的提示长度从9,000词元暴涨至50万+词元，导致效率极低。

四、 实验设计：量化“记忆”的贡献

为验证各记忆层的有效性，团队设计了五种配置，使用 Gemini 3.1 Pro引擎，在最低难度 A0下各运行10局（共50局），且实验期间记忆库内容“冻结”以确保公平。

1. 基础版：无经验、无技巧、精简提示。
2. 完整提示版：开启L1-L3，关闭L4-L5。
3. 人工技巧版：在完整提示基础上，加入人工编写的L5技巧。
4. 模板技巧版：使用模板自动填充的L5技巧。
5. 经验+技巧版：开启L4（经验）和L5（技巧）。

评分标准：胜利得100分，失败则根据通关层数和大Boss击杀数折算，实现表现量化。

五、 实验结果：战略技巧层是关键变量

1. 胜率跃升

• 基础版：3胜
• 完整提示版：4胜
• 含战略技巧层（L5）：均达到 6胜

结论：加入战略技巧层（L5）带来了最显著的胜率提升（从3-4局跃升至6局）。

2. 分数表现

• 基础版平均分：~70.4
• 完整提示版平均分：~69.6
• 含L5配置平均分：82.1 - 85.5（高出无技巧配置约15分）

3. 统计显著性与经验层作用

• 统计谨慎性：由于样本量较小（每配置10局），Fisher精确检验P值约为0.37，尚未达到统计学显著性标准，但趋势明确，需更大规模验证。
• 经验层（L4）的饱和效应：在A0低难度下，开启或关闭L4的胜率均为6局，表明低难度下经验知识已“饱和”。但在后续高难度测试中，L4作用显著。

六、 进阶测试：高难度与跨模型迁移

1. 自动爬塔测试

• 允许赛后更新记忆：可稳定爬至 A6-A8难度。
• 冻结记忆（不更新）：最高稳定在 A2-A4难度。
• 差距：相当于从“入门玩家”提升至“进阶玩家”。

2. 跨模型迁移实验

团队将Gemini积累的记忆库迁移至其他模型：
* Qwen 3.6-27B：平均分从14.6提升至26.9，效果显著。
* DeepSeek V4 Pro：平均分从41.3降至33.8，且未获胜局。
* 启示：记忆库具有模型依赖性，无法无条件迁移，如同厨师习惯需适配特定厨具。

七、 性能对比：碾压传统“历史堆叠”AI

团队将AgenticSTS与两款采用传统历史堆叠策略的公开AI（STS2MCP、CharTyr）进行对比。

关键洞察：
* AgenticSTS不仅胜率更高，且成本降低近两个数量级。
* 竞品频繁出现格式错误，而AgenticSTS因提示词干净稳定，表现优异。
* 团队强调，此为初步对比，未来将开展更严格的受控实验。

八、 开源贡献：构建可复现的研究范式

本研究的核心价值不仅在于胜率，更在于提出了一种可拆解、可量化、可复现的AI记忆研究范式。

公开资源包括：
* 298局完整游戏轨迹记录（含配置标注）。
* 冻结的经验库与技巧库快照。
* 每次决策的完整提示词记录。
* 统计分析脚本（置信区间计算、自助抽样分析）。

研究者可直接在此基础上扩展实验，例如加入“历史堆叠”作为第六种配置，进行真正的受控对比。

局限性：
* 高难度测试仅使用单一角色（沉默者）。
* 每配置样本量有限（10局）。
* 与传统堆叠AI的对比尚非完全受控。

总结：
阿拉亚实验室的研究证明，与其让AI背负沉重的历史包袱，不如教其“按需取用”。通过五层记忆抽屉的设计，AgenticSTS为长期复杂任务中的AI决策提供了清晰、高效且可验证的新路径。

Q&A

Q1：AgenticSTS的五层记忆系统是如何工作的？
A：AgenticSTS将知识分为五个独立抽屉：基础规范、当前状态、规则百科、经验摘要、战略技巧。每次决策时，系统根据当前局面从对应抽屉提取内容，拼接成一条全新的、精简的提示词，而非堆砌所有历史记录。每个抽屉可独立开关，便于研究者进行消融实验，精准评估各模块对AI表现的贡献。

Q2：AgenticSTS与传统“历史堆叠”型AI在《杀戮尖塔2》中的差距有多大？
A：差距显著。在同等A0难度测试中，两款传统堆叠型AI（STS2MCP、CharTyr）五局全败，而AgenticSTS完整版本获胜率极高。效率方面，竞品每推进一层需9-10分钟，AgenticSTS仅需约2.3分钟。成本方面，竞品每得一分需消耗40万+词元，AgenticSTS仅需约6,700词元，效率高出60-90倍。

Q3：为何实验中“战略技巧层”比“经验层”更重要？
A：实验数据显示，加入战略技巧层（L5）使胜率从3-4局跃升至6局，贡献最明显。而在低难度A0下，经验层（L4）的开启与否对胜率无影响（均为6局），说明低难度下经验知识已饱和。但在高难度爬塔测试中，经验层作用凸显，开启L4的版本能爬至A6-A8，关闭则止步于A2-A4。

(责任编辑：热点)