Anthropic公开Claude记忆架构：后台“做梦”回放，修正错误沉淀经验

Anthropic近日把Claude智能体的整套记忆系统摊开讲了个明白：模型会在两次交互之间的空隙里调用闲置算力，在后台“做梦”，靠反复回放、重新拼装历史记录来纠错、攒经验，从而让AI真正具备跨会话的长期记忆。

[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]

人睡着时巩固知识，AI离线时“做梦”修剪记忆

人一天下来会产生大量经历。当下捕捉信息、形成立即可用暂存记忆的，是海马体。

一旦大脑转入离线状态——睡眠和静息都算——海马体就会把近期经历重新回放一遍，挑出要紧的内容提炼、整合进大脑皮层，变成长期知识。

这套分工，Anthropic原样搬到了AI智能体身上。

智能体平时干活，会留下密密麻麻的交互日志。

更早的时候，Letta与加州大学伯克利分校的研究人员提出过“睡眠期计算”（sleep-time compute）这一概念，主张模型利用两次交互之间的空闲时间重整已有上下文。

Anthropic就在这个基础上，让Claude趁空闲翻检过往日志、改正错误、补写新笔记。这个离线处理环节，被称为做梦。

所谓智能体记忆，这里特指Claude从任务和用户交互中获取、能跨会话留存、并以纯文本上下文形式被后续读取的经验。

有三样东西被明确排除在外：模型权重的修改、单次对话内的上下文学习，以及把旧对话压成摘要的上下文替换机制。

[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]

在人脑中，情绪或化学信号会在关键时刻给记忆打上标记，使其在睡眠阶段获得更多次回放。

Claude也能这么干：会话过程中，它可以把自认为关键的事件打上标签，或者直接写进外部记忆文件夹。

问题随之而来：眼下发生的哪件事在未来要紧，智能体凭什么提前判断？

记忆是对未来的预测：大模型怎样形成学习闭环

记笔记这个动作，本身就是在预测未来。

智能体写下一则规则，等于赌这条规律以后还用得上；记下一个验证过的真相，则是赌未来的自己调用它时不用再核对一遍。

在评估长程记忆能力的CL-Bench 1.0数据库任务里，Claude要查表回答一连串问题。每答完一题，系统公布正确答案，Claude便可将经验写进记忆目录，留给后续会话取用。

[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]

不同版本的Claude，学习形态差别很大：

Claude Sonnet 4.6只会抛出一堆没经过检验的猜测，文件夹里散着零碎理论。

Claude Opus 4.7开始把笔记收拢成单份参考文档，并分出哪些细节已证实、哪些还没有。

Claude Sonnet 5会在答案被裁判判定后标出正确项，做错时则写下勘误。

Claude Opus 5是首个把学习闭环完整跑通的模型。它写下的笔记不只记着验证过的操作规则，还会说明自己是怎么证明这条规则有效的，早期踩过的坑和陷阱提醒也一并附上。

之后的Claude Opus 5.5和Sonnet 5.5同样能自己走完这一整套流程，靠积累下的经验拿到超过0.83的最终得分。

宝可梦实测：记得太多反倒变笨

智能体能不能分清主次？Anthropic让几个模型去玩Game Boy上的经典游戏宝可梦红（Pokémon Red）来检验这一点。每个模型手上都有一个记忆文件夹，随时可以读、可以写。

[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]

玩到大约10000步时，两个模型的表现走向了两个极端：

Claude Sonnet 3.7觉得什么都有用，拼命往里记。

它的文件夹里躺着413个文件、225个目录，一共塞进97.7万个字符。每打一场战斗、每捡一个道具、每遇到一个NPC，它都要单独写一份记录。

可宝可梦的游戏状态时时刻刻都在变，这些记录很快就全部作废了。

到第一万步前后，Sonnet 3.7花了整整17个操作步骤去新建6个总集文件、删掉9个旧文件，这期间它在游戏里一步没动。整场跑下来，它只拿到1枚道馆徽章。

Claude Fable 5的路子完全不一样。

它一共只写了9个文件，分放在2个目录里，另有一个叫global.md的总控文件，加起来才4.3万字。

屏幕上直接能看到的数值，像金钱、当前坐标，Fable 5一律不存。它只记屏幕上看不见的推导规律、长期规划和通关策略。

举个例子，连着扔出7个精灵球都没抓到鲤鱼王之后，Fable 5在笔记里写下一条规律：如果连续3个球失败，就在菜单按键之间多插一段等待，改变按键时机。记下这条之后，它立刻成功捕获。

最后，Fable 5拿到4枚徽章。

更强的Claude Opus 5.5用的是类似的高效打法，只维护一份极小的文件，写清任务目标和下一步规划，结果直接把整部游戏通关了。

规则定得太死，聪明模型反而被削弱

教模型记笔记，该怎么教？

实验给出的答案是：只要告诉Claude有记忆区可用就行，千万别教它具体该怎么记。

[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]

对早期的弱模型来说，提示词能救场。Sonnet 4.6原本很少主动去翻记忆文件夹，强制它作答前先查笔记、检验猜测之后，基线跑分从0.330直接涨到0.641。Sonnet 5则不用人催，十分之九的题目它都会主动先翻笔记。

可换成高阶模型，人类定的规矩常常是负资产。

测试人员加了一条死规则，命令智能体只准记录失败经验，结果Opus 5和Opus 4.7不升反降，记忆带来的增益分别掉了0.234和0.150。

对前沿模型来说，把筛选重点的权力完全交还给它自己，效果反倒最好。

做梦怎样救回那次致命失误：月见山跳崖事件

模型在会话进行中记下的笔记，出错并不稀奇。环境一变，那些记错的内容还会接着把之后的自己带偏。

做梦环节等于给了模型一次回看原始录像、逐项核对的机会。

[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]

宝可梦游戏里有一座月见山洞穴，玩家得从西边入口穿到东边出口。

洞口旁设了单向跳台陷阱，脚一滑跳下去就会摔回起点，而且没法顺着原路爬上来。

Claude把宝可梦中心当成定位的基准物，结果在笔记里写错了一句：宝可梦中心在东侧。

离开补给站之后，Claude以为自己已经过了山洞，很有把握地记下：月见山任务搞定。

下一步它就踩空跳下断崖，人直接回到原点。

导航工具当时并没有提示落差，Claude还硬给自己找了个解释：我走过头了，其实我一直在东边。

[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]

没开做梦机制的Claude，接连三次跳崖，三次都摔回起点。

第三次失败后，它在控制台里写下绝望的话：我打算停下来，不想一直循环了。系统强制它继续，它只好灰溜溜地倒退，一路退回最初的深灰市补给，测试到此彻底失败。

开了做梦机制的对照组，结局完全不一样：

离线阶段，Claude对着原始会话记录一行行复盘，发现自己在位置记录上前后矛盾，当场推翻旧笔记，把定位重新写对。

重新开局后，Claude一眼认出错误，掉头重新进洞，在第1935步顺利到达华蓝市。

[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]

用做梦搭知识维基：吃透4亿Token的企业资料库

笔记一条条孤立放着，检索起来照样很慢。

有了做梦，Claude能把海量杂乱信息编成一张有结构的网，也就是靠超链接彼此串起来的知识维基（Wiki）。

[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]

Anthropic拿收购来的软件公司Stainless的真实代码资产做了测试。这套内部资料库约有35万个文件，规模达到4.2亿Token。

官方出了25个深度问题，让Opus 5智能体在128次连续会话里边搜资料边做梦，把专属维基搭起来。

[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]

整个流程里，智能体反复做的是合并重复条目、补上交叉引用、比对源文件。

做梦的次数越攒越多，只靠翻这套自建维基答题的达标率也从最初的13%升到48%。

把维基和搜索工具搭在一起用，得分从纯搜索的53%提高到61%，每道题还能少花大约20000个Token的检索量。

[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]

实验显示，需要多份文件交叉核对、涉及计算或定性推理的复杂任务，维基尤其拿手。企业并购资料那类复杂问答中，靠维基作答的准确率有87%，比纯搜索的73%高出不少。

不过维基也不是什么场合都灵。

一份资料只要直接全文搜索某个专有名词就能找到答案，维基就带不来任何性能增益。

有些测试里情况更糟：Claude一度整理出比原始文件还庞大的巨型维基。输入10个文件共115KB，它做梦整理出的维基有68页、203KB，达到原文的1.77倍。这情形好比博尔赫斯小说里那张帝国地图，比例尺是一比一，总结和提炼的意义也就没了。

[图12：维基体积膨胀至原本语料1.77倍的反面案例结构图]

[标题] 记忆分层注入：把索引写进脑门，把细节留在后台

做梦既然能产出高价值知识，那能不能一股脑全塞进下一轮对话的开头？

官方给出的答案是绝对不行。

直接把上下文注进Prompt，不光白耗宝贵的Token，更要命的是错误信息会污染之后的每一次决策。

按官方使用说明的说法，系统指令拉得太长，模型守规矩的能力会明显下滑。

所以记忆的最顶层得收得很紧。做梦的关键作用之一，就是把枝节细节压回下层，顶层只留跳转链接。

[图13：顶层注入上下文与下层被动检索层级的流动关系图]

Claude Code内置的自动记忆机制，走的就是这种克制路线：

它不会把全部记忆塞进上下文窗口，每次启动只读MEMORY.md的前200行或前25KB。

这一小段文字起的是全知索引的作用，只告诉Claude自己懂哪些东西、到哪里能把它们调出来。

[标题] 做梦填补多智能体协作漏洞

几个智能体一起编写知识库时，做梦同样担着主编的角色。

有一项模拟法律合同文书的测试，一开始多个智能体同时把提取出的合同条款写进同一个名为provisions.md的文件表格。

[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]

结果是多个Agent存文件时互相覆盖，57条核心事实只剩41条，关键事实丢失率达到28%。

系统接下来进入“做梦”反思环节。Claude把这次丢失事故重新过了一遍，自己动手改写构建规则：多智能体不得共用一个文件，每份合同单独建一个页面，关键法律条款要逐字摘录，不许靠脑补写摘要。

规则改完之后，57条核心条款一条不少地留了下来，测试达标率从72%升到100%。

[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]

死链也能靠做梦自动补上。

维基早期版本里，有6个页面同时指向一个还没建起来的托管协议页面。第二轮离线做梦时，Claude把这9处死链全扫了出来，逐一重定向到真实存在的对应文件，还顺带补写了总目录和指令索引页。

实时记笔记，还是靠离线做梦？

智能体记忆系统在工程上仍有一堆权衡要处理。先说记笔记的时机。

任务执行当下就实时写记忆，第一现场的见解确实能马上存下来，可模型做核心任务的注意力难免被分散。

要是全交给离线做梦在后台完成，主线任务是不受打扰了，但做梦沉淀出来的智力资产没法立刻用在当前对话里。

再就是记忆的维护开销。外部世界一直在变，旧记忆会漂移、会失效。

可如果让Claude时时刻刻把以往全部记忆全面核对一遍，算力开销大到根本承受不起。

怎么根据记忆被调用的频率来动态安排做梦的频次，会是以后设计智能体记忆的核心课题。

大模型没办法百分之百准确预测未来需要什么。

但在任务间歇向后反思、离线做梦，AI总算迈出了走出金鱼记忆、自主修正错误的关键一步。