何が起きたか
研究チーム（Cheng et al.）は、LLMエージェントの記憶を「増え続ける会話ログ」ではなく5つの独立したスロットに分けたAgenticSTSを構築しました。L1が固定のプロトコル指示、L2が現在有効なアクションを含む状態スキーマ、L3が検索で引いてきたゲームルール、L4が過去プレイの要約、L5が特定局面で発火する戦略スキルです。前の意思決定から引き継ぎたい情報は、必ずいずれかの領域に「書き込んでから」使う設計になっており、プレイがどれだけ長引いてもプロンプトは短いまま保たれます。
検証環境に『Slay the Spire 2』が選ばれたのは、1回のプレイでカード選択・戦闘・マップ選択・購買など数百の意思決定が発生し、ルールが完全にテキスト化でき、ランダム性が高く、実行が長いためです。開発元によれば最低難易度A0での人間の勝率は16%、AGI-Evalで試された5つのフロンティアモデル構成は1勝もできていません。
なぜ重要か
最大の数字は勝率ではなくコストです。STS2MCPは終盤の1回のモデル呼び出しが約52万7000トークンに達しました。ゲーム履歴を毎回まるごと再送するためです。AgenticSTSはユーザーテキストを常時5000トークン前後に抑えます。同じレベルに到達するまでの所要時間は蓄積型が4倍で、その時間損失の96%はモデルのレイテンシに由来します。これは「コンテキストが長いと遅く・高く・不正確になる」いわゆるcontext rotが、実タスクでどれだけ経済性を壊すかの実測値です。
冷静に読むべき点
著者らの主張は控えめです。A0での10回試行では、メモリ層なしで3勝、L5スキルライブラリありで6勝と倍増しましたが、10回ではノイズの可能性があると自ら認めています。過去プレイの記憶（L4）はA0では効かず、勝つたびに難易度を上げるモードでのみ意味を持ちました（更新ありでA6〜A8、なしでA2〜A4）。STS2MCPやCharTyrとの比較もルーティングやバッチ処理が異なるため、純粋なアブレーションではありません。検証はSilent1キャラ・単一バージョンのみです。
注目すべきは転移実験です。Gemini 3.1 Proが蓄積したメモリを凍結して他モデルに渡すと、Qwen 3.6-27Bは平均スコアが84.5%上昇した一方、Deepseek V4-Proは18.1%低下し、どちらも勝てませんでした。記憶はそれを作ったモデルに強く紐づく、という示唆です。チームは298件の完走ログとメモリスナップショット、評価スクリプトをHugging Faceで公開しています。
💼 事業会社視点：これは自社にどう効くか
読むべきは「勝率が倍」ではなく「スコア当たり66〜90分の1のトークン」の方です。エージェントをPoCから本番に載せた企業の多くは、会話履歴が伸びるほどコストとレイテンシが線形以上に悪化する壁にぶつかっています。1コール52万トークンという数字は、カスタマーサポート自動化や長時間の業務代行エージェントを検討する事業会社にとって、そのまま損益分岐点の話です。
打ち手は明確です。第一に、自社エージェントの「1タスク当たりトークン」ではなく「1成果当たりトークン」を計測指標に据えること。SaaSであれば、これが粗利率を直接決めます。第二に、履歴を丸ごと再送する実装を、状態スキーマ・ルール参照・過去要約・スキルライブラリに分離した構造に置き換える設計レビューを行うこと。AnthropicのMemory ToolとContext Editingは100ラウンドのWeb検索でトークンを84%削減したと自社検証で報告しており、既製の手段は揃いつつあります。
受託開発・SIerには商機とリスクが同時に来ます。「記憶設計」は移植が効かない可能性が高く（Gemini産のメモリはDeepseekでは逆効果でした）、モデル乗り換え時に資産が消える前提で見積もる必要があります。逆に言えば、顧客業務に合わせたスキルライブラリ（L5相当）の構築は、モデルが変わっても手放されにくい受注ポイントになります。