Anthropic近日公开了Claude智能体的完整记忆系统。该系统允许模型在交互间隙利用空闲算力进行“离线做梦”，通过回放和重组历史记录来修正错误、沉淀经验，从而实现真正的跨会话长期记忆。
[图1：跨会话的记忆层级架构图，包含原始记录、记忆笔记、记忆表征和注入上下文，做梦机制在其中贯穿各层]
核心机制：AI的“离线做梦”与记忆修剪
仿生学习：从海马体到睡眠期计算
人类大脑通过海马体捕捉即时信息，并在睡眠等离线状态下回放经历，将重要内容整合进皮层形成长期记忆。Anthropic借鉴这一机制，提出“睡眠期计算”概念，让Claude在两次交互的空闲时间反思日志、修正错误并撰写新笔记，这一过程被称为“做梦”。
Claude的智能体记忆特指从任务交互中获得、能跨会话留存并以纯文本形式被读取的经验。它严格排除了模型权重修改、单次对话内的上下文学习以及简单的摘要替换机制。
[图2：记忆笔记层高亮示意图，展示会话向记忆笔记直接写入关键观察结果]
预测未来：大模型的学习闭环
记笔记本质是对未来的预测。在CL-Bench 1.0数据库任务测试中，不同版本的Claude展现出显著差异：
- Claude Sonnet 4.6：生成大量未检验的猜测，缺乏整合。
- Claude Opus 4.7：开始整合笔记，区分已证实与未证实细节。
- Claude Sonnet 5：能根据裁判反馈标记正确项并记录勘误。
- Claude Opus 5及以上：完整跑通学习闭环，笔记包含经检验的规则、证明过程及陷阱警告，最终得分超过0.83。
[图3：左图为CL-Bench数据库任务中无状态基线与带记忆存储的对比柱状图；右图为30道题的累积奖励走势线状图]
实战测试：记忆策略对性能的影响
宝可梦游戏实测：冗余记忆的负面影响
在Pokémon Red游戏测试中，模型的表现取决于其记忆筛选能力：
Claude Sonnet 3.7（失败案例）：过度记录所有细节（413个文件，97.7万字符），导致大量过期信息堆积。在第10000步时，花费17个操作步骤整理文件却未推进游戏进度，仅获得1枚徽章。
Claude Fable 5（成功案例）：仅维护9个文件和全局总控文件（4.3万字），摒弃屏幕可见数值，专注记录推导规律和长期策略。例如总结“连续失败后插入等待操作”的捕获技巧，最终获得4枚徽章。
Claude Opus 5.5：采取极简策略，仅维护任务目标与下一步规划，成功通关游戏。
[图4：Sonnet 3.7与Fable 5运行一万步时的记忆目录树状结构对比图]
提示词工程：自由筛选优于硬性规则
实验表明，对于高阶模型，赋予其自主筛选重点的自由效果最佳。
- 弱模型辅助：对于Sonnet 4.6等早期模型，强制要求查阅笔记可将其基线跑分从0.330提升至0.641。
- 强模型限制：对Opus 5等先进模型施加“仅记录失败”等死板规则，反而导致性能大幅下跌（增益暴跌0.234）。前沿模型更适应自主决定记忆重点。
[图5：左图为Sonnet 4.6通过引导提示词大幅提升表现；右图为强加“仅记录失败”规则导致Opus 5与4.7性能暴跌的统计]
纠错与知识构建：做梦机制的核心价值
回溯修正：解决“月见山跳崖”困境
实时记录的笔记可能存在错误。在宝可梦月见山关卡中，Claude因误记坐标导致反复跳崖失败。未开启做梦机制的模型陷入死循环；而开启该机制的模型在离线阶段对照原始录像复盘，发现位置矛盾并修正笔记，随后成功通关。
[图6：高亮做梦环节借助原始记录修正记忆笔记的箭头路径]
[图7：左侧为无修正状态下跳下悬崖的路径示意，右侧为做梦修正后重返洞口的路线]
[图8：无记忆、原始错误记忆与做梦纠错三种机制下前往华蓝市的进度走势图]
构建知识维基：处理大规模企业资料库
针对Stainless公司4.2亿Token的代码资产库，Opus 5通过128次连续会话构建结构化知识维基（Wiki）：
- 效率提升：答题达标率从13%升至48%；结合搜索工具后，得分从53%提升至61%，每题节省约20000 Token检索消耗。
- 复杂推理优势：在需多文件交叉验证的企业并购问答中，维基准确率（87%）显著高于单纯搜索（73%）。
- 局限性：对于只需全文搜索专有名词的简单任务，维基无增益；若控制不当，维基体积可能膨胀至原文的1.77倍，失去提炼意义。
[图9：做梦机制从记录与笔记层自下而上构建记忆表征层的示意图]
[图10：中图为维基在构建过程中答题得分走势，左右两图为第2轮与第128轮生成的网络图拓扑差异]
[图11：左图为跨多文档复杂推理场景下维基的明显优势，右图为单一文档即可检索场景下维基收益有限的对比]
[图12：维基体积膨胀至原本语料1.77倍的反面案例结构图]
工程实践：分层注入与多智能体协作
记忆分层：索引置顶，细节后置
为避免长上下文污染决策并节省Token，Claude采用克制策略：顶层Prompt仅注入少量索引信息（如MEMORY.md前200行），告知模型“懂什么”及“去哪找”，具体细节留待后台检索。
[图13：顶层注入上下文与下层被动检索层级的流动关系图]
多智能体协作：自动修复冲突与死链
在法律合同文书测试中，初始多智能体共用文件导致28%的关键事实丢失。经“做梦”反思后，系统重写规则为“单页独立存储+逐字摘录”，使留存率达100%。此外，离线做梦还能自动扫描并修复维基中的死链，补充目录索引。
[图14：多个Agent覆盖写入导致信息丢失，与独立拆分单页逐字引用后的保留率对比图]
[图15：二次做梦修复失效超链接、补充目录与升级索引的前后网络对比图]
结语：权衡与展望
智能体记忆系统仍面临工程权衡：实时记录会分散注意力，完全离线则无法即时应用新知；全面核对记忆算力开销巨大。未来设计的核心在于依据调用频率动态分配“做梦”频次。尽管无法百分百预测未来，但通过离线反思与纠错，AI已迈出摆脱“金鱼记忆”、实现自主进化的关键一步。