Anthropic 研究：AI 智能体可通过“做梦”机制优化记忆

11 月 6 日，人工智能公司 Anthropic 发布题为《The components of agent memory》的研究文章，深入剖析了 Claude 智能体如何跨会话进行记忆管理、筛选、纠错及知识整理。研究指出，AI 智能体可以借鉴人脑在睡眠中整理记忆的机制，在两次交互之间的空闲时间进行“做梦”（dreaming），通过反思历史记录、修正错误并构建知识结构，从而显着提升其在长周期任务中的表现。

分层记忆与“做梦”机制

该研究将智能体记忆体系划分为四个层级：会话日志、记忆笔记、知识表征（如 Wiki）以及注入上下文。其中，“做梦”机制允许模型在空闲时段回顾日志、提炼规则并更新知识库。Anthropic 认为，记忆本质上是对未来的预测，例如记录一条已验证的规则，意味着模型预期未来会再次依赖它。这种机制使得 AI 能够像人脑在睡眠中巩固记忆一样，将即时经验逐步转化为可复用的长期知识，而非仅仅依赖即时上下文。

实验数据验证记忆效能

在持续学习基准 CL-Bench 的数据库问答任务中，具备记忆能力的 Claude 模型表现显着优于无记忆基线。数据显示，Claude Opus 5.5 和 Sonnet 5.5 在使用记忆后，平均得分分别达到 0.838 和 0.833，而二者无记忆基线分别为 0.655 和 0.644。更强的模型能够自主形成“失败—反思—验证—总结规则”的学习闭环。

此外，在《宝可梦红》游戏测试中，研究揭示了“少而精”记忆策略的有效性。Claude Fable 5 仅维护 10 个记忆文件便获得 4 枚徽章，而 Sonnet 3.7 写下 413 个文件却仅获得 1 枚徽章。这表明模型应优先保存策略、计划和经测试的规则，而非不断变化的屏幕状态。

在纠错能力方面，“做梦”机制同样表现突出。当 Claude 错误记录宝可梦中心位置导致迷路时，系统通过比对原始会话记录修正记忆，最终成功抵达下一座城市；而未修正记忆的运行则反复折返，未能完成目标。在约 35 万份企业文档的测试中，随着“做梦”规模从 2 次会话扩展到 128 次，25 个问题的达标率从 13% 提升至 48%；结合搜索工具后，综合得分进一步从 54% 升至 61%。

Anthropic 表示，尽管智能体记忆技术取得进展，但仍面临何时写入、如何保持更新及避免错误累积等挑战。未来 AI 或将更善于在完成任务后“回顾经验”，把零散交互转化为可迁移、可验证的长期知识。