Claude记忆系统：想让AI记性好，得学会“做梦”

人们常说，人生很多事回头看才明白，可日子只能往前过。这份感慨放在AI领域，却成了实实在在的工程难题。Anthropic团队针对Claude大模型的记忆系统展开研究，得出一个反直觉的核心结论：想让AI拥有良好的记忆能力，仅靠“记笔记”是不够的，还需要让它学会“做梦”。

从人类的记忆机制来看，海马体负责在当下捕捉经历，形成即时记忆，但并非所有经历都会成为长期知识——只有经过“巩固”的部分才会留存。而巩固过程大多发生在大脑“离线”时，比如睡眠或休息状态，海马体会回放近期经历，将其提炼整合到新皮层的长期记忆仓库中。

智能体的记忆系统也可以遵循类似的分工逻辑。AI在运行时会产生大量日志和对话记录，这相当于海马体的即时捕捉；而学界提出的“睡眠时计算”概念，则对应AI的“做梦”过程——在交互间隙的空闲时间里，模型会重新组织已有上下文，反思日志、修正错误、产出新的记忆笔记。Anthropic的研究证实，“做梦”是为Claude打造有效记忆的关键工具。

首先需要明确“智能体记忆”的范畴：Anthropic定义的智能体记忆，特指Claude从自身经验中积累的知识，包括与用户的交互、被分配的任务，以及不同会话间保留的信息。而训练时调整的内部权重、单次对话内的学习内容、将旧对话压缩为摘要的操作，都不属于这一范畴。

记忆的第一层是“随手记笔记”，类似人类大脑对重要经历打标记的机制。Claude可以在会话日志中为关键事件打标签，方便后续检索，也可以将重要信息存入专门的记忆文件夹。但这里存在一个问题：在事件发生的当下，Claude无法提前判断哪些内容值得记录——毕竟它还不知道后续会发生什么。

记忆本质上是一种对未来的预测：写下一条规则，等于预测该模式未来会再次用到；记下一条验证过的事实，等于预测未来会直接使用而无需二次核对。Anthropic通过Continual Learning Bench（CL-Bench）实验验证了Claude在这方面的进步。该实验考察智能体利用记忆完成长程任务的能力，其中一个任务是：Claude需要查询数据库回答一系列问题，回答后会收到正确答案，此时它可以创建一条记忆，用于后续答题。实验形成了完整的学习闭环：答错后记录失败、提出假设、验证假设、形成答题规则。不同模型的表现差异显著：Sonnet 4.6仅停留在提出假设阶段，记忆目录中是零散的未验证猜测；Opus 4.7将笔记整理为参考文档，标注已确认和未确认的内容；Sonnet 5会在评分后标记答案为“已确认”，答错则更新笔记；Opus 5是首个形成闭环的模型，多数条目包含规则、答案和错误提示；到Opus 5.5和Sonnet 5.5时，两者均完成闭环，利用记忆沉淀验证后的答题规则，得分与Opus 5相当，且无需记忆的基线得分本身略高。

另一项实验聚焦Claude玩《宝可梦·红》的表现，考验它判断“该记录什么到记忆中”的能力。Sonnet 3.7的策略是“所有信息都有用”，因此每场战斗、每个道具、每个NPC都单独记录，最终生成大量文件，却只拿到1枚徽章；而Fable 5仅用少量文件，就拿到了4枚徽章。Sonnet 3.7的问题在于，游戏状态不断变化，详细记录很快失效，它花费大量时间检索记忆，反而减少了游戏操作，甚至在后期停止游戏建文件夹；Fable 5则只记录游戏不直接提供的信息，比如策略、计划和验证过的规则，比如“连续3个精灵球失败后，调整按键节奏”，这一思路让它的游戏进度远超前者。类似地，Opus 5.5也采用了简洁的记忆笔记，追踪目标和下一步操作，最终完成了游戏通关。

Anthropic发现，指导Claude记忆的关键是“明确记忆的作用”，而非规定具体用法。在CL-Bench实验中，仅告知Claude“可以使用记忆文件夹”，就足以让Opus 4.7和Opus 5的性能明显提升。如果强行规定规则，比如“只记录失败”，反而会削弱记忆的增益效果——对更强的模型来说，自主判断重要性比预设规则更有效，规则不当反而会拖后腿。对于较老的模型，引导的作用更明显：Sonnet 4.6经常不读取记忆文件，提示它“答题前先读记忆并验证假设”后，基准得分几乎翻倍；而Sonnet 5无需提示，九成情况会主动读取记忆。因此，当前对前沿Claude模型的做法是，仅提供简单指引，由模型自主判断何时记录。

“做梦”的第一个作用是纠正错误记忆。Claude的记忆笔记基于会话当下的判断，可能出现错误或随环境变化而失效，而“做梦”过程可以将笔记与原始记录对照检验。在宝可梦实验中，Claude曾错误记录宝可梦中心的位置，导致多次掉入陷阱，无法到达华蓝市；而通过“做梦”流程，它将错误笔记与会话记录对照，修正了位置信息，最终成功返回月见山并抵达目标地点。

“做梦”还能帮助Claude搭建新的记忆形态，比如类似百科全书的“wiki”结构——由Claude撰写和维护的页面，将相关知识整合并建立链接，形成知识地图，方便高效定位记忆。研究人员利用约35万份内部文档进行实验，让Claude基于这些文档，通过“做梦”构建wiki。随着会话规模从2个扩展到128个，25道题的评分达标率从13%提升至48%。Claude构建wiki是渐进式的：先有初版，再通过多次“做梦”增补、编辑、修剪，知识地图逐渐丰富。实验发现，搜索工具搭配wiki效果最佳，总分从54%提升至61%，且每道题可节省约2万个token。不过，wiki并非万能：在部分任务中，评分点可直接在单一文件中找到，wiki无明显增益；还有任务中，wiki规模远超原始文件，失去了抽象价值。

“做梦”还能将重要笔记推到记忆层级顶端，在每次会话开始时预先加载到上下文，无需额外检索。但将记忆注入新会话需要谨慎：注入的记忆占用token，错误笔记会影响所有会话，且加载的记忆不一定会被遵循。因此，记忆层级顶端需要保持精简，“做梦”的重要工作之一就是维持精简，将细节移到下层，仅保留链接。类似Claude Code的自动记忆，仅加载前200行或25KB的索引部分，告知模型可检索的内容。

“做梦”还能塑造记忆的生长方向，使其围绕特定目标组织。比如，助手类工具的记忆围绕被帮助者组织更有效，可将“做梦”调整为“为特定目标服务”的模式。在模拟公司收购的任务中，最初的wiki指令不完善，导致多个智能体共享合同条款表，总结不全且遗漏条款，生成的简报仅覆盖72%的评分事实；通过反思失败、修改指令、重建wiki的循环，最终每份合同由单个智能体撰写，条款逐字引用，简报评分覆盖率提升至100%。

“做梦”还能填补会话留下的缺口。Claude的记忆笔记仅基于单个会话的上下文，而“做梦”可跨多个会话检索，发现共性模式、纠正共性错误。在wiki构建实验中，“做梦”发现九个指向不存在页面的链接，将其重定向到现有页面，并新增三个页面，完善了wiki的结构。

关于智能体记忆系统的设计，仍有许多开放问题。首先是何时创建记忆：边运行边记录能抓住“重要”信息，但会分散注意力；“做梦”在后台处理，但产出不一定能立即使用。其次是如何让记忆可靠保鲜：模型可能做出错误预测，记忆会随环境变化失效，“做梦”是修正手段之一，但需要算力，如何平衡是挑战。此外，表征（如wiki）加搜索的模式有效，但维护需要算力，还需避免错误和幻觉。即便模型判断重要性的能力提升，也无法预知未来，“做梦”提供了整理记忆、修正错误的机会，记忆系统会随模型能力进化，相关设计仍在探索中。