Anthropic 拆开 Claude 的跨会话记忆：空闲时“做梦”改错笔记，文档问答从 13% 升到 48%

Anthropic 于 2026 年 11 月 6 日发帖，介绍工程博客《The components of agent memory》。作者是 Lance Martin。主帖把要点收成一句：记忆让 Claude 能从经验里学习；名为 dreaming 的过程，帮它整理已经学到的内容、改正错误，并在下一次更容易找到所需信息。这篇不是新模型发布，也没有公布价格或公测日期。 官方博文：https://www.anthropic.com/research/components-of-agent-memory 博文把“智能体记忆”定义成 Claude 从经验和任务里得到、并能在会话之间保留、以后还能读回来的内容。它明确排除三件事：训练得到的权重变化、一次对话内部的上下文学习，以及为了腾出窗口而把旧回合压成摘要的 compaction。记忆分成四层：可搜索的会话记录（transcripts）、Claude 自己写下的笔记、以 wiki 为代表的结构化表示，以及每次新会话预先载入的少量上下文。Dreaming 借用 Letta 与加州大学伯克利分校提出的 sleep-time compute：利用两次交互之间的空闲时间，对照原始记录重放、改错、写新笔记。 要点： 1. 在 Continual Learning Bench（CL-Bench）1.0 的数据库任务上，模型每答一题就换一次新会话，但可以读一份跨会话保留的记忆目录。博文给出的平均奖励（无记忆 → 有记忆）为：Opus 5.5 从 0.655 到 0.838，Sonnet 5.5 从 0.644 到 0.833，Opus 5 从 0.564 到 0.828，Opus 4.7 从 0.383 到 0.700，Sonnet 5 从 0.306 到 0.610，Sonnet 4.6 从 0.330 到 0.364。Opus 5 是文中第一款把“写下规则、记下依据、标出陷阱”闭合成环的模型；Opus 5.5 与 Sonnet 5.5 也能做到。 2. 宝可梦红版用来看模型会不会判断“什么值得记”。约 1 万步时，Sonnet 3.7 写了 413 个文件、分布在 225 个文件夹里，图注合计 977930 个字符，只拿到 1 枚徽章；它还会在连续 17 步里只整理记忆、不在游戏里行动。Fable 5 只写了 9 个文件、2 个文件夹，外加一份顶层的 `global.md`（图注合计 10 个文件、43406 个字符），拿到 4 枚徽章。Opus 5.5 同样维持小笔记，并打通了游戏。博文还写，若规定“只记录失败”，Opus 5 从记忆得到的增益减少 0.234，Opus 4.7 减少 0.150。 3. Dreaming 可以对照记录改正笔记。一次月球山（Mt. Moon）跑程里，错误笔记让 Claude 三次掉下单向岩架，最终没有到达华蓝市。对同一份记忆做 dreaming 之后，它改对了精灵中心的位置，在累计第 1935 步到达华蓝市。没有记忆的对照跑程也没有到达。 4. 在约 35 万个文件、约 4.2 亿 token 的 Stainless 内部文档上（博文称该公司于 5 月被收购），Opus 5 用最多 128 个会话建 wiki。25 道题的评分标准满足率，从 2 个会话时的 13% 升到 128 个会话时的 48%。只靠搜索约为 53%；搜索加 wiki 从 54% 升到 61%，并且每题大约少用 2 万 token。图注中的一个例子：2 个会话后为 103 页、766 条链接，128 个会话后为 222 页、12893 条链接。需要跨多份文件判断的并购问题里，查阅 wiki 为 87%，只搜索为 73%。 5. Wiki 不是一律有益。有一份法律简报任务里，大多数标准靠单份文件的文本搜索就能满足，wiki 没有明显收益。另一份语料只有 10 个文档、115 KB，生成的 wiki 却有 68 页、203 KB，约为原文的 1.77 倍。合同条款若由多个智能体写进同一页，57 条评分事实只留下 41 条（72%）；改成每个合同单独一页、由一个智能体逐字引用后，57 条全部留下。Claude Code 的自动记忆只把 `MEMORY.md` 的前 200 行或 25 KB 预载进会话。 博文把仍未解决的问题也写了出来：当下记笔记会分心，事后 dreaming 又要算力，而且没有模型真能预知后面的回合需要什么。上述分数、步数和文件规模都来自 Anthropic 这篇工程博文与主帖，不是独立复现。 原文：https://x.com/AnthropicAI/status/2118814753154064501 博文：https://www.anthropic.com/research/components-of-agent-memory