Anthropic:智能体记忆的关键是知道该忘什么,而不是能存多少
Anthropic 研究 Claude 如何跨会话保留知识:选择性记录策略与规则优于事无巨细的全量存档;并引入名为「Dreaming」的会话后机制,在闲置时段回看历史记录、自查并修正错误笔记,还能把大规模文档整理成结构化知识库。
原贴
查看原文原文
中文翻译
Anthropic 测试了 Claude 如何跨会话把信息存入笔记文件,并在后续任务中调用。测试显示,有选择地记录策略和规则,比记录每一步都更好;后者会让模型被过时数据淹没。通过一个名为「Dreaming」的会话后流程,系统在闲置时段分析更早的会话记录,独立修正错误笔记并构建结构化知识集合。
Anthropic 研究了 Claude 如何跨会话保留知识。其测试显示,选择性笔记优于穷尽式归档,而让 Claude 事后复查自身记忆可以纠正错误。
任何与 AI 智能体在同一个项目上合作数天的人都会很快撞墙,因为每个新会话都从零开始。在一篇研究文章中,Anthropic 描述了在模型本身不变的情况下,Claude 应如何跨会话保留知识。Claude 把笔记写进一个文件夹,之后可以再读回来。据 Anthropic 说,核心问题是选择。在知道接下来会发生什么之前,智能体必须在当下决定什么之后可能重要,所以每条笔记都是对未来的下注。
在 Anthropic 用《宝可梦 红》做的一次测试中,较旧的 Claude Sonnet 3.7 把所有东西都当成可能重要,在大约 1 万个游戏步骤中,于 225 个文件夹里创建了 413 个文件,常常为它遇到的每一场战斗和每一件道具单独建一个文件夹。由于游戏状态不断变化,这份存档很快就过时了。有时模型除了重新整理笔记什么都不做,而不是去玩游戏,最后只拿到一枚徽章。
较新的 Claude Fable 5 把记忆限制在少数几个文件,拿到了四枚徽章。Fable 5 不记录屏幕上已经可见的信息,而是写下计划、策略和它验证过的规则。不过,Anthropic 的对比每个模型只覆盖一次通关过程。
Anthropic 建议向 Claude 说明记忆的目的,让模型自己决定如何使用。据 Anthropic 说,在一项基准测试中,「只记录错误」这类僵硬指令抹掉了较强模型的大部分优势。相比之下,较旧的模型受益于清晰指令,比如被告知在每次回答前真的去读自己的笔记。
更大的风险来自智能体之后盲目信任的错误笔记。Dreaming 这一想法建立在 Letta 和加州大学伯克利分校的研究之上,正是为解决这个问题而设计。就像人脑在睡眠中处理经历一样,Claude 在休息期间通读更早会话的记录,并据此核对笔记。在宝可梦测试中,Claude 错误地记下了一座山某个地标的方位。依赖那条错误笔记,Claude 三次掉进同一个陷阱,最后想放弃,也没达成目标。经过一次 Dreaming 之后,Claude 通过把笔记与记录对照发现了错误,并找到了正确的路径。
据 Anthropic 说,Dreaming 还能整理更大的知识库。Claude 用 Anthropic 收购的软件公司 Stainless 约 35 万份内部文档搭建了一个互相链接的 wiki。Dreaming 应当生成新页面,同时修补缺口、重复内容和失效链接。当 Claude 能把 wiki 与搜索结合使用时,收益最大,此时 wiki 起到的是补充作用而非替代作用。
核心信息
Anthropic 研究 Claude 如何跨会话保留知识:选择性记录策略与规则优于事无巨细的全量存档;并引入名为「Dreaming」的会话后机制,在闲置时段回看历史记录、自查并修正错误笔记,还能把大规模文档整理成结构化知识库。
- Anthropic 研究 Claude 如何跨会话保留知识:选择性记录策略与规则优于事无巨细的全量存档;并引入名为「Dreaming」的会话后机制,在闲置时段回看历史记录、自查并修正错误笔记,还能把大规模文档整理成结构化知识库。
- 原贴提到:Anthropic tested how Claude can store information in note files across s
- 来源:the-decoder.com
详细解读
这是什么信号
Anthropic 把「智能体记忆」从一个工程细节抬成了产品能力的分水岭。它给出的判断很直接:记忆的瓶颈不在容量,而在选择与校验。笔记写得越多,模型被过时信息污染的概率越高;真正决定表现的是「当下判断什么值得记」以及「事后敢不敢推翻自己写下的东西」。
更值得注意的是方法论上的两个转折。第一,Anthropic 建议把记忆的用途讲清楚,然后把「记什么」的决定权交给模型,而不是用「只记录错误」这类硬规则去约束——在它的基准里,硬规则反而抹掉了强模型的大部分优势。第二,它提出了「Dreaming」这种离线自省机制:趁闲置时回看历史会话记录,用原始记录去核对笔记,修错、补漏、去重、补链。这等于承认了一件事:智能体的记忆一定会写错,关键是有没有一套纠错回路。
证据层面,《宝可梦 红》的对照很有说服力但也很有边界:旧模型 1 万步生成 413 个文件、225 个文件夹,最后只拿一枚徽章;新模型把记忆压缩到少数文件,拿到四枚。可每个模型只跑了一次通关,样本极薄,Anthropic 自己也没有把它包装成严格实验。
为什么重要
所有做长周期智能体的人都撞过同一堵墙:会话一换,上下文清零。行业过去两年的默认解法是加大上下文窗口、加大检索库,本质是「多存多读」。Anthropic 这组材料给出的反命题是:记忆系统的成本不在存储,而在噪音管理和可信度维护。一旦笔记被智能体无条件信任,一条错误的方位记录就能让它三次掉进同一个陷阱、最后放弃目标——这不是能力问题,是记忆卫生问题。
「Dreaming」的意义还在于它把记忆从「写」变成了「写—审—改」的循环,并且是异步的、不占用在线推理预算的。这让记忆系统第一次具备了类似组织知识管理的形态:有采集、有归档、有校对、有链接结构。Stainless 约 35 万份文档生成互联 wiki 的例子说明,这套机制不只服务单任务,也能服务企业级知识底座。
对谁有价值
第一类是正在做 agent 产品的团队,尤其是需要跨天、跨周推进同一项目的场景:编码助手、研究助手、客服与运营自动化。第二类是做企业知识库与内部搜索的团队——Anthropic 明确说 wiki 与搜索结合时收益最大,wiki 是补充而不是替代,这直接给出了架构定位。第三类是评估与质量团队,因为「笔记是否被盲信」是一个此前很少被单独度量的失效模式。
对个人开发者而言,最实用的一条是成本结构的转变:与其堆检索,不如设计少量高价值的常驻笔记文件,把「计划、策略、验证过的规则」放进去,把屏幕上已可见的状态排除在外。
可以怎么行动
一是先改笔记策略再改架构。把记忆文件限制在少数几个,明确写入标准:只记计划、策略、已验证的规则,不记随时可重读的即时状态。二是把「记忆目的」写进系统提示,让模型自己判断取舍,但保留一条底线指令——回答前先读笔记。三是引入离线复核:在任务间隙让模型拿历史会话记录核对自身笔记,优先处理那些被反复引用、影响决策的条目。四是在评测里加入「错误笔记传播」用例,故意注入一条错误记忆,看智能体是否会连续踩坑。五是企业场景先做小范围 wiki 化试点,并与现有搜索并行,用命中率和纠错率而不是文档覆盖率衡量效果。
风险与限制
证据强度是第一重限制:宝可梦实验每个模型只跑一次通关,变量不可控,结论更适合当作方向性判断而非定量结论。第二重限制是「Dreaming」的算力与延迟成本没有公开数据,离线复核在大规模知识库上的可行性和出错率仍是未知。第三重是治理风险:模型自主决定记什么、改什么,意味着记忆库会持续漂移,企业需要可审计的变更记录,否则纠错机制本身会变成新的不可解释来源。第四是场景迁移风险,游戏环境的状态可重读、可验证,而真实业务中的信息往往不可回放,核对的基准未必存在。
信息差价值
这条内容的真正价值,不只是“有人发布了一个新功能”,而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说,这种信息可以转化成持续追踪的栏目选题。
如果把《Anthropic:智能体记忆的关键是知道该忘什么,而不是能存多少》放到你的内容系统里,它最大的价值在于帮助读者更快看懂“为什么值得关注”,而不是只看到一条碎片化动态。
参考来源
TOPIC HUBS
延伸专题
AI SUMMARY
这篇文章回答了什么
Anthropic:智能体记忆的关键是知道该忘什么,而不是能存多少主要讲什么?
Anthropic 研究 Claude 如何跨会话保留知识:选择性记录策略与规则优于事无巨细的全量存档;并引入名为「Dreaming」的会话后机制,在闲置时段回看历史记录、自查并修正错误笔记,还能把大规模文档整理成结构化知识库。
这篇文章最值得关注的要点是什么?
Anthropic 研究 Claude 如何跨会话保留知识:选择性记录策略与规则优于事无巨细的全量存档;并引入名为「Dreaming」的会话后机制,在闲置时段回看历史记录、自查并修正错误笔记,还能把大规模文档整理成结构化知识库。;原贴提到:Anthropic tested how Claude can store information in note files across s;来源:the-decoder.com
这篇文章和哪些AI专题相关?
它适合放在Agent工作流、AI工具、AI超级个体专题里阅读。 关联原因:这篇内容命中「Agent、智能体、工作流」等主题信号。;这篇内容命中「Claude」等主题信号。;这篇内容命中「技能」等主题信号。
阅读这篇文章建议先理解哪些关键词?
建议先理解AI工具、工具、自动化、模型、Cursor这些关键词,再结合正文判断工具、机会或风险是否值得进入自己的工作流。