Anthropic提出“做梦”记忆机制：Claude智能体可离线复盘、纠错与沉淀知识

SmartHey11月6日消息，Anthropic发布最新研究论文《The components of agent memory》，系统揭示Claude智能体记忆系统的底层设计逻辑。受人类大脑睡眠中巩固记忆的生理启发，团队创新提出名为Dreaming（做梦）的离线计算范式——让AI在用户交互空闲期自动重演历史日志，修正错误记忆、提炼结构化知识、构建长期可用经验，从而应对跨会话记忆混乱、信息过时及幻觉残留等关键挑战。

文中定义的‘智能体记忆’，特指AI从真实交互与任务执行中自主习得、能跨会话持久保存并复用的经验性知识，独立存储于外部介质（如文件、知识库或笔记），不修改模型权重，亦不同于单轮上下文或简化的会话摘要，是一种真正解耦、可维护、可验证的外部记忆层。

该设计借鉴人脑海马体-皮层协同机制：日常经历由海马体实时编码，睡眠阶段回放整合，最终固化为皮层长期记忆。类比之下，Claude在运行中持续生成完整交互日志；当系统处于空闲状态，即启动‘做梦’流程——重读日志、识别矛盾、校验事实、抽象规则、构建知识图谱，将短期经验升维为稳定、可检索、可演进的长期记忆。

‘记忆的本质，是对未来的预测。’Claude在对话中会主动识别高价值事件，生成记忆笔记并预判其复用可能性。但实时记录存在固有缺陷：当下判断可能出错，环境变化易致记忆过时，错误一旦写入便会在后续会话中反复被调用，引发连锁失败。‘做梦’正是为此而设的后台自愈机制——它不干扰主任务，却在后台默默修复记忆根基。

‘做梦’机制承担五大核心职能：1）修正已存记忆笔记中的事实性错误；2）构建Wiki式语义关联知识表征；3）筛选高复用性记忆提升优先级，并按需预加载至新会话上下文；4）围绕特定目标定向组织记忆脉络；5）填补多轮交互中遗留的知识断点。值得注意的是，预加载须严控体量——过多记忆将挤占token资源、削弱指令遵循能力，因此高层级记忆需持续精炼、动态裁剪。

为验证有效性，Anthropic开展多维度基准测试与仿真实验。

在持续学习基准CL‑Bench的数据库问答任务中，早期Sonnet 4.6仅能输出未经验证的猜测；Opus 5首次实现完整学习闭环，其记忆文件包含经验证的执行规则、历史答案及任务陷阱提示；而新一代Opus 5.5与Sonnet 5.5依托优化后的记忆架构，性能获得显著跃升。

团队还以经典游戏《精灵宝可梦：红》开展长周期仿真测试，对比不同模型的记忆策略效能：Sonnet 3.7无差别记录全部战斗、道具与NPC信息，10000步生成413个记忆文件，大量内容快速失效，后期算力浪费于海量检索，最终仅获1枚徽章；Fable 5聚焦策略、计划与已验证规则，仅维护9个高质量记忆文件，成功获得4枚徽章；Opus 5.5则凭借精简、动态更新的记忆系统实现全程通关。实验证明：模型自主评估信息价值的能力，远优于人工预设的僵化保存逻辑；强制限定仅记录失败案例，反而会损害整体记忆效用。

一个典型故障案例直观体现‘做梦’的纠错价值：Claude在游戏初期误记建筑方位，导致反复陷入地图陷阱、原地循环；执行一次‘做梦’后，模型通过比对原始日志发现偏差并完成笔记重写，后续顺利推进对应关卡。

在企业级文档场景中，团队使用35万份、总计约4.2亿token的内部文档，测试Wiki知识表征效果。随着‘做梦’迭代轮次从2轮增至128轮，文档问答准确率由13%提升至48%；若结合检索工具，综合得分从纯检索的53%进一步提升至61%，且单题平均节省约2万token消耗。但研究也指出Wiki并非万能方案：若答案可直接从单一文档精准检索，则Wiki增益有限；极端情况下，Wiki体积甚至可能膨胀超原始文档总量，丧失抽象意义。在模拟企业并购法律文书任务中，通过迭代优化记忆构建指令，法律事实的完整录入率由72%提升至100%。

尽管实验结果积极，智能体记忆系统仍面临现实瓶颈：实时写入会抢占主任务算力；离线‘做梦’需额外计算资源，难以覆盖全部记忆的持续校验；模型当前仍难以精准预判未来信息价值，幻觉与过时内容仍可能混入记忆流。

Anthropic强调，记忆系统并非替代原始会话检索，而是与其协同互补。团队将持续探索记忆触发时机、更新频率、分层维护策略等关键工程问题，致力于构建面向7×24小时自主运行AI智能体的稳健记忆基础设施。