大数跨境

Anthropic:AI 智能体记忆的五大核心组件与梦境机制

Anthropic:AI 智能体记忆的五大核心组件与梦境机制 苏哲管理咨询
2026-11-09
19
导读:本文是 Anthropic 关于 Claude 智能体记忆组件的工程文章,提出智能体记忆借鉴人脑机制:会话内实时记录记忆笔记,依靠**Dreaming(梦境)**离线复盘整理记忆。记忆区别于模型权重、

编者摘要:本文是 Anthropic 关于 Claude 智能体记忆组件的工程文章,提出智能体记忆借鉴人脑机制:会话内实时记录记忆笔记,依靠**Dreaming(梦境)**离线复盘整理记忆。记忆区别于模型权重、单轮上下文学习、上下文压缩,核心是跨会话持久化留存经验。Claude 可自主判断信息显著性,只存储策略、规则等屏幕无法直接读取的内容,避免冗余记录。CL-Bench、宝可梦红、并购法律文档等测试表明:优秀模型能形成学习闭环;固定记忆写入规则反而削弱效果,自主判断更优。梦境具备多重能力:修正错误记忆、构建 Wiki 知识表征、将高频重要内容上浮至记忆顶层预加载、围绕目标定向组织记忆、补齐跨会话信息缺口。Wiki 在需要跨文档整合信息时增益明显,单文档检索场景收益有限,过度膨胀会失去抽象价值。该领域仍存开放问题:记忆写入时机、记忆时效维护、检索与表征的算力权衡。

10 个关键问题 Q&A

  1. Q:Anthropic 所说的智能体记忆是什么? A:是 Claude 从交互、任务中习得、跨会话保存的经验笔记,不属于模型权重、单次上下文学习或上下文压缩。
  2. Q:什么是 Dreaming(梦境)? A:智能体在空闲离线阶段,对照历史日志复盘、整理、校验记忆的后台机制,灵感来自人脑睡眠记忆巩固。
  3. Q:Claude 应该记住所有信息吗? A:不,应当只保存无法直接读取的策略、规则、计划;屏幕可见的实时状态属于冗余信息。
  4. Q:给模型强制规则 “只记录失败” 效果好吗? A:不好,会大幅降低记忆带来的性能提升,强模型自主判断显著性效果更好。
  5. Q:Wiki 记忆表征的优势是什么? A:适合需要跨多文档关联、综合推理的任务,可减少 token 消耗,提升综合答题准确率。
  6. Q:Wiki 有没有短板? A:单文档即可查到答案的场景收益微弱;过度细化会体积超过原始文档,失去抽象价值。
  7. Q:记忆预加载(上下文注入)有什么风险? A:占用 token;错误笔记会被反复带入每一轮会话,顶层记忆必须保持精简。
  8. Q:哪些模型跑通了记忆学习闭环? A:Opus5、Opus5.5、Sonnet5.5;Sonnet4.6 难以自主读取记忆、验证猜想。
  9. Q:宝可梦实验证明了什么? A:不加筛选地疯狂记录会拖累智能体;精准筛选、只存策略型记忆才能推进更远。
  10. Q:智能体记忆还有哪些未解决难题? A:在线写记忆会抢占任务算力;大规模记忆校验成本高;如何长期保证记忆不过时、不漂移。

附录  智能体记忆的组成

Anthropic 工程团队 2026 年 11 月 6 日

专题:智能体、上下文工程、智能体记忆相关研究文章:

  • 长周期应用的调度器设计
  • 构建 C 语言编译器
  • 面向长周期智能体的高效调度器
  • AI 智能体的高效上下文工程

索伦・克尔凯郭尔曾写道:人生只能向后理解,却必须向前生活。我们在为 AI 智能体设计记忆机制时,也遇到了相似的困境。

人类在日常生活中持续编码记忆。海马体在这个过程中起到核心作用,实时捕捉当下的经历,让记忆快速形成、随时可用。但只有一部分记忆,才会被巩固为长期知识。

这类巩固过程大多发生在大脑 “离线” 状态。睡眠时,或是安静的休息时段,海马体会回放近期经历。学界认为,这一过程会逐步把经验提炼、迁移到新皮层 —— 也就是我们大脑中存储绝大多数常识知识的区域。

智能体记忆可以借鉴这套分工逻辑。智能体把大部分工作记录在日志或会话 transcript 里。莱塔团队与加州伯克利大学的研究者提出,让模型利用交互间隙的空闲时间,重新整理已有上下文。这套思路同样可以用于智能体的记忆组织:通过复盘日志,修正错误、生成新笔记与表征。这个过程常被称作梦境(dreaming),谷歌也提出过类似 “睡眠框架” 的方案,用于大模型在持续学习中留存知识(见图 1)。

我们发现,梦境机制是给 Claude 打造有效记忆的有力工具。本文将介绍我们对智能体记忆的理解,梳理我们用于探究智能体记忆的多项评估实验,包括梦境机制的使用方式,以及记忆体系里各个组件分别承担什么作用。

Claude 可以借助梦境整理记忆:修正错误、生成记忆笔记、搭建全新记忆表征,或是预先决定哪些内容要提前加载到后续会话中。

记忆笔记

我们所说的 “智能体记忆”,指 Claude 从经验中习得的知识 —— 包括和用户的交互、分配给它的任务,并且这些知识可以跨会话留存,保存为后续可读取的上下文。它不包含模型其他的学习与上下文管理方式:例如模型权重(训练阶段确定的内部参数)、上下文内学习(单次对话内习得的知识)、上下文压缩(Claude 生成摘要,替换较早对话轮次,从而在上下文窗口内继续工作)。

在人脑中,一段经历发生前、发生时或发生后释放的化学信号,会给这段经历打上 “重要” 标记。被标记的记忆,在离线回放阶段会被更频繁地调取。这个叫做回放的过程,帮助记忆稳定下来,融入长期记忆。

与之类似,Claude 可以在会话日志里标记关键事件,方便后续检索;也可以把这些内容存入记忆存储库,例如存放记忆笔记的文件夹(见图 2)。但难点在于:在还不知道后续会发生什么的时候,Claude 该如何实时判断哪些信息是关键的?

Claude 可以向记忆库写入笔记。

记忆本质上是对未来需求的预判

记忆,有时就是一种预测。智能体写下一条规则,本质上是预判:它记录的这个模式,未来还会再次用到。举个例子,记下一条经过核验的事实,就是预判:未来会话里,智能体可以直接采信这条事实,而不必反复核验。随着迭代,Claude 做这类预判的能力已经明显变强。

我们来看 CL-Bench 1.0 基准测试里的一项任务,这个基准专门衡量智能体依靠记忆处理长周期任务的能力。其中一项任务要求 Claude 查询数据库、回答一系列问题。Claude 给出答案后,会收到正确结果,并且可以写入记忆,辅助后续答题。

记忆在这里支撑起一个学习闭环:如果 Claude 答错,它可以记录这次失败,推测出错原因,验证猜想,最后沉淀成一套未来答题的规则。

我们使用托管智能体运行 CL-Bench 1.0 数据库任务:每一道题都开启全新会话,唯一例外是智能体可以读取跨会话持久化存储的记忆目录里的文件。

不同模型构建自学习闭环的能力差异很大。Claude Sonnet 4.6 最多只能生成关于答错原因的猜想,记忆目录里零散存放着大量未经验证的猜测记录。

图表说明:CL-Bench 数据库任务,对比开启记忆与无状态基线在不同模型上的表现

Claude Opus 4.7 会把笔记整合到一份参考文档里,并且标注哪些事实已经核验、哪些仍待确认。Claude Sonnet 5 会在阅卷人核验后,标记答案为已确认;答错时,主动写下修正记录。

Claude Opus 5 是第一个真正跑通闭环的模型。它的绝大多数记忆条目都包含一条规则、规则成立的依据、过往问题的答案,还会清晰标注它发现的各类陷阱(见图 3)。

和 Opus 5 一样,Claude Opus 5.5、Claude Sonnet 5.5 都可以完成闭环。开启记忆后,二者得分和 Opus 5 接近;即便不开启记忆,它们的基线表现也略高一些。

Claude 学会判断信息的重要性

我们还设计了《宝可梦 红》游戏测试,用来检验 Claude 判断 “哪些内容值得存入记忆” 的能力,这个游戏是典型的复杂长周期任务。每一轮测试开始时,模型都会拿到一个记忆文件夹,游玩过程中可以读写里面的文件(见图 4)。

我们对比了 Claude Sonnet 3.7 与 Claude Fable 5 各自运行到约 10000 步时的记忆文件夹。二者最核心的差别,就是它们判定 “值得记住” 的内容完全不同。Sonnet 3.7 默认所有信息都可能有用,不加筛选地写入记忆。它的记忆文件夹里塞满了所有遭遇记录:每场对战、捡到的每个道具、遇到的每个 NPC 都单独存成文件。最终,Sonnet 3.7 在 225 个文件夹里生成了 413 条记忆文件,只拿到 1 枚徽章(徽章代表游戏进度)。

相比之下,Fable 5 只在 2 个文件夹里写了 9 个文件,再加一个顶层全局文件 global.md,拿到了 4 枚徽章。

图表说明:Sonnet 3.7 和 Fable 5 游玩宝可梦时的记忆目录对比

Sonnet 3.7 这套方案的主要问题:宝可梦的游戏状态一直在动态变化,它保存的大量细节记录会快速失效。随着游戏推进,它要耗费越来越多资源检索记忆,而不是推进游戏。比如在 10000 步附近,Sonnet 3.7 开始新建第四组 “主记忆” 文件夹;后续 17 步里,它新建 6 个文件、删除 9 个文件,完全没有执行任何游戏操作。

Fable 5 的思路是:记忆只用来存放游戏界面不会直接给出的信息。Sonnet 3.7 存的很多内容 —— 比如玩家身上的金币、玩家当前在地图的位置 —— 每一步都能直接从屏幕读取,存储属于冗余操作。而策略、计划、经过验证的规则,只有 Claude 自己推导出来,不主动记录就会消失,这部分才值得存入记忆。

Fable 5 据此组织记忆:global.md 相当于总览面板,记录当前目标、挑战道馆(获取徽章的关卡)的预设方案,还有模型自身的记忆使用规则;locations 文件夹存放各路线的行进方案;gameplay 文件夹存放基于游戏规律总结的策略。举个例子:连续 7 个精灵球都没能捕捉一只鲤鱼王(本是最容易捕捉的宝可梦之一)后,Claude 记下:如果连续 3 次以上捕捉失败,要改变操作时机,在菜单步骤之间多插入等待按键 —— 调整时机之后就捕捉成功了。

依靠精简得多的记忆库,Fable 5 在游戏里推进得远快于 Sonnet 3.7。Opus 5.5 也采用类似思路:维护一份小型记忆笔记,跟踪当前目标与下一步行动,游玩时持续更新,最终通关。

引导 Claude 写入记忆

我们发现:告诉 Claude 记忆的用途,而不是强制规定它该怎么使用记忆,效果最好。在 CL-Bench 测试中,我们只告知 Claude 存在记忆文件夹。这条简单指引,就足以让 Opus 4.7、Opus 5 有效利用记忆,带来明显的性能提升(见图 3)。

我们也测试过给模型设置固定写入规则,每次只加一条规则,对比开启记忆后、有无该规则时的收益。当规则设定为 “只记录失败案例” 时,Opus 5 和 Opus 4.7 从记忆中获得的增益都大幅缩水(图 5 右侧)。对于顶尖模型,让它自主判断信息重要性,效果优于预先设定死板规则;固定规则甚至会削弱性能。

图表说明:左图:Sonnet 4.6 在 CL-Bench 数据库任务中,有无记忆引导提示词的得分对比;右图:要求模型 “只记录失败” 时,各模型记忆带来的收益变化

我们还观察到:引导提示对老版本模型帮助最大。Sonnet 4.6 经常不会主动读取记忆目录里的文件,也不会去验证自己对错误原因的猜想。这时,加提示词引导 Claude 在答题前先读取记忆、并且显式验证猜想,它的基准得分几乎翻倍(图 5 左侧)。Sonnet 5 已经可以自主做到:10 次答题里有 9 次会主动读取记忆。而 Sonnet 4.6 主动读取记忆的比例不到一半。

对于前沿版本的 Claude,我们一般只给简单指引:在用户要求或者遇到明显值得留存的内容时,生成记忆笔记,把判断权交给 Claude 本身。

梦境可以修正记忆

Claude 是在会话过程中,基于当时判断的重要性写入记忆。因此,一条笔记从一开始就可能出错,或是随着环境变化慢慢失效;后续会话里,Claude 依然会读取、采信这条错误笔记。

梦境给了 Claude 一个校验手段:对照原始会话 transcript 核验记忆笔记(见图 6)。我们在托管智能体 + 挂载记忆目录、让 Claude 游玩宝可梦的实验里,看到了很好的效果。

图表说明:梦境可以修正记忆里的错误

游戏里有一段场景:玩家需要穿过月见山,洞穴入口在地图西侧、出口在东侧。入口附近有一个陷阱:单向悬崖,掉下去就回到来时的路线,没有办法原路返回。Claude 把山入口的宝可梦中心当成地标,会不会掉下悬崖,取决于它认为宝可梦中心在山的哪一侧。

有一次,Claude 错误记下:宝可梦中心在东侧。走出宝可梦中心后,它判定 “月见山已经在我身后”,更新笔记:【月见山,已完成】。但它根本还没有穿过山洞。几步操作之后,它踩下悬崖,掉回了来时的路线(见图 7)。它的导航工具没有标注这个悬崖,于是 Claude 得出结论:“我向西走得太远了,我本来就在正确一侧”—— 事实并非如此。

图表说明:修正前后的记忆笔记带来完全不同的宝可梦走向。未修正版本:Claude 认为 “月见山已在身后”,走向下一座城市,最后掉回原路;经过梦境修正笔记后:Claude 判断 “需要找到月见山洞口重新进入”,返回洞穴。

我们接着测试:梦境能不能帮 Claude 避开这个陷阱。我们对存着这条错误位置记录的记忆文件夹运行梦境:Claude 对照会话 transcript,发现这条记录出错,重写了笔记。原始会话记录为校验记忆提供了事实基准。拿到修正后的笔记,Claude 直接返回月见山洞穴,最终抵达华蓝市。

在使用未修正笔记的对照组里,Claude 一共三次跌落回原路线。第三次失败后,它近乎放弃,写下:“我将停止操作,不再循环”。我们的测试框架自动指令要求它继续,于是它一路退回月见山之前的尼比市,打算回血、补给物资,这次运行最终没能抵达华蓝市。无记忆的对照组,同样无法穿过这座山。

图表说明:梦境修正记忆,Claude 重回洞穴并抵达下一座城镇;原始错误记忆组、无记忆组都无法通过这座山。

梦境可以构建全新记忆表征

借助梦境,Claude 可以搭建便于检索记忆的表征结构(见图 9)。其中一种表征形式是wiki(维基式知识库):由 Claude 持续维护、按主题聚合的一组页面,页面之间互相链接。这些链接相当于一张地图,让 Claude 在需要时快速定位、筛选记忆。

图表说明:梦境可以搭建记忆表征

Wiki 这类表征,帮助 Claude 在持续膨胀的知识库中高效检索。我们用一笔内部文档集测试 Wiki 的价值:这批文档来自我们 5 月收购的软件公司 Stainless,共约 35 万份文件,折合 4.2 亿 token。我们整理出 25 道针对这批文档的测试题,给 Claude 配备检索工具,同时让它通过梦境搭建 Wiki。在 128 轮会话中,Opus 5 智能体被引导浏览文件、编写 / 修改带链接的 Wiki 页面、合并重复条目、对照原文核验陈述。

每一轮会话都承接上一轮的成果,依靠共享日志协同工作。随着梦境轮次从 2 轮增加到 128 轮,25 道测试题的得分达标率从 13% 提升至 48%(见图 10)。

图表说明:中间:随着 Claude 多轮会话搭建 Wiki,文档测试题得分变化;左右:2 轮和 128 轮后的 Wiki 示意图,每个圆点是一个页面,连线代表页面链接

Claude 会增量式搭建 Wiki:生成初始 Wiki 之后,后续每一轮梦境都继续增补、编辑、删减页面。早期梦境阶段,Claude 掌握的知识像新入职员工,仅凭 Wiki 答题的能力有限;梦境轮次越多,这张知识地图越完善,就像经验丰富的员工。实验显示:搭配检索工具一起使用时,Wiki 的增益最明显。同时使用检索 + Wiki,随着 Wiki 不断完善,综合得分从 54% 提升至 61%;而只用检索工具的基线得分是 53%。仅靠 Wiki 答题时,最高分是 48%。检索 + Wiki 的组合,还能为每道题节省大约 20000token。

我们还想弄清:哪些任务适合搭配 Wiki。为此我们使用 HARVEY-LABS 基准,搭配一套并购相关文档。基准会给 Claude 一批文档,要求基于文档撰写法律摘要,再对照评分标准打分。虽然不像宝可梦实验那样有可玩性,但这套评估给了我们多样化的文档素材,用来搭建 Wiki。

我们让 Claude 基于文档构建 Wiki,然后分别依靠 Wiki、直接检索文件两种方式回答并购相关问题、生成法律摘要(LAB 基准)。其中一组测试包含 24 道并购相关问题(图 11 左),超过一半题目需要整合多份文档信息,很多还需要推理或计算。这类题目(图中红、橙线),查阅 Wiki 时得分 87%;只用检索时得分 73%。

图表说明:左图:24 道并购相关问题,素材大多来自公开申报文件;过半题目需要跨文档整合信息。右图:某 LAB 任务,Wiki 没有带来明显收益,大部分评分项在单份文档里就能检索到。

但在另一些场景,Wiki 收益很低。有一项 LAB 任务(图 11 右),摘要的评分要点大多在单份文档内就能检索到,Wiki 对比直接检索没有明显优势。还有一个 LAB 任务,最终 Wiki 体量甚至超过原始文档本身(图 12)。就像博尔赫斯短篇《论科学的精确性》里的制图师:绘制了一张和帝国一样大的地图,细节饱满,但完全没有抽象、简化的价值。

图表说明:Wiki 体积膨胀,超过原始文档

梦境把记忆提升到记忆层级的上层

梦境还可以把重要笔记上浮到记忆层级的顶层;智能体调度器可以在每一次会话启动时,预先把这部分内容加载进 Claude 上下文(见图 13)。这意味着 Claude 不需要主动搜索,甚至不需要意识到自己要去检索,就能读到这些内容。

图表说明:梦境可以写入记忆层级顶层。注入的上下文在每一次会话都会加载;下层内容在需要时才读取或检索

这种向新会话预加载记忆(上下文注入)的操作必须谨慎。注入的记忆会占用宝贵的 token;一旦笔记本身有误,错误会被带入每一轮会话。而且加载笔记,不代表 Claude 一定会遵照执行:我们的文档提到,过长的指令文件会降低模型的遵从度。所以记忆层级顶层必须保持精简。梦境在这里的一大工作,就是维持顶层体量:把细节下沉到下层记忆,只留下索引链接。

Claude 的自动记忆机制也是这样控制注入层大小:不会把全部自动记忆塞进每一轮上下文窗口,只加载 MEMORY.md 的前 200 行或 25KB 内容。这个头部作为索引,告诉 Claude 它掌握了哪些知识、去哪里查找详情。

梦境可以围绕特定目标收敛记忆

梦境还可以引导记忆的生长方向。例如 Claude Duet 这类助手,记忆最好围绕使用者本身组织;梦境的配置可以定向服务于特定目标。

引导记忆生长的指令随任务变化,用来告诉 Claude,哪些信息才真正重要。LAB 基准里有一项模拟企业收购的任务,提供一批合同,最终摘要的评判标准是能否准确描述合同条款。

我们一开始只给了生成 Wiki 的基础指令,没有说明 Wiki 该怎么使用。这项任务的核心是合同条款。搭建 Wiki 的过程中,多个智能体同时往一张共享表格里写入合同条款(图 14 左)。

图表说明:Wiki 搭建前后,合同事实的收录情况对比。左:多个智能体写入同一张共享表格,57 条事实里只留存 41 条;右:一份合同对应一个独立页面,由单一智能体维护、原文引用条款,57 条事实全部留存。

结果生成的 Wiki 缺失大量关键信息。基于这份 Wiki 生成的摘要,只覆盖了 57 条评分事实中的 41 条(72%)。复盘发现,共享表格对合同条款的摘要质量很差,还有内容被互相覆盖丢失。

合同条款是这份 Wiki 最重要的内容,但最初的指令没有点明这一点。我们启动迭代循环:让 Claude 复盘失败、提出指令修改方案、重新搭建 Wiki。这个循环让 Claude 意识到忠实还原合同原文有多重要,并改写了 Wiki 构建指令。

修改后:每份合同单独一个 Wiki 页面,由单一智能体负责维护,直接引用原文条款,而不是汇总到共享表格里做摘要。基于优化后的 Wiki 生成摘要,全部 57 条评分要点都可以满足,覆盖率从 72% 提升至 100%。

梦境补齐单次会话留下的信息缺口

Claude 写记忆笔记时,只能看到当前这一轮会话的上下文。而梦境可以跨大量会话检索,发现共性模式、修正共性错误。

以搭建 LAB 基准的 Wiki 为例(图 14),有时候 Claude 会生成指向还没有创建页面的链接。第二轮梦境可以补上大量这类缺口。在其中一项任务里,梦境发现 Wiki 里有 9 处链接指向不存在的页面,把它们重定向到同一份文档已有的页面;还新增 3 个页面(包含索引页)优化 Wiki 结构。

图表说明:第二轮梦境处理前后的 Wiki 对比

向后回看,向前前行

智能体记忆系统的设计,还有大量开放问题。第一个问题:Claude 应该在什么时候创建记忆?任务进行时写入记忆库(文件夹、文件、数据库),在源头标记重点,方便后续轮次、后续会话直接取用。但在任务过程中写笔记,不可避免会分散 Claude 在主任务上的注意力。反过来,梦境可以把记忆生成放到后台异步执行,但梦境产出的内容无法立刻被 Claude 调用。

第二个问题:如何保证记忆持续准确可靠?Claude 可能做出错误预判、写入从一开始就有误的规则;随着环境变化,记忆也会慢慢失效。梦境是修复这类错误的手段之一(见图 8),但它需要算力开销。让 Claude 持续校验所有记忆并不现实,更合理的方案是:让梦境重点核验容易变动的信息,或是精细调控梦境的执行频率(例如根据记忆的访问热度调度)。

也有观点认为,会话 transcript 检索才是 Claude 记忆的根基。把 Wiki 这类表征和检索结合(图 10),往往效果很好。但维护这些记忆表征、保证它们不持续累积错误与幻觉,同样需要持续投入算力。

尽管 Claude 判断信息重要性的能力已经提升,但没有任何模型能够真正预知未来会发生什么。梦境给了 Claude 一个向后复盘的机会:消耗算力整理记忆、修正错误、维护记忆表征,让未来的会话可以高效取用记忆。随着 Claude 能力持续增强,记忆系统也会不断迭代;在 Claude 记忆系统的设计上,我们还有很多东西需要探索。

配套教程:

  • 托管智能体 + 动态工作流梦境实践
  • Claude 快速启动示例:知识库 Wiki

翻译说明

  1. 术语统一:
  • agent:智能体(AI 领域标准译法)
  • dreaming:梦境(Anthropic 官方对该离线复盘机制的定名,保留隐喻,加注释)
  • salient / salience:关键的、重要性(信息显著性)
  • transcript:会话原始记录 / 会话日志
  • context injection:上下文注入
  • memory hierarchy:记忆层级
  • compaction:上下文压缩
  • managed agents:托管智能体
插图

【声明】内容源于网络
0
0
苏哲管理咨询
为企业及组织提供AI+战略、数智化转型咨询及观点、建议等
内容 2542
粉丝 0
苏哲管理咨询 为企业及组织提供AI+战略、数智化转型咨询及观点、建议等
总阅读97.5k
粉丝0
内容2.5k