鲸云网11月7日消息，据媒体报道，Anthropic 于 11 月 6 日发布研究文章《The components of agent memory》，系统拆解 Claude 智能体如何跨会话记忆、筛选、纠错与整理知识。
该研究借鉴人脑”睡眠整理记忆”的机制，提出让 AI 智能体在两次交互的空闲时间里回顾历史记录、修正错误并构建知识结构，从而提升长周期任务的表现。
团队将智能体记忆分为会话日志、记忆笔记、知识表征（如 Wiki）和注入上下文四层，并引入”做梦”（dreaming）机制：模型在空闲时重读日志、修正谬误、提炼规则并更新知识库，把即时经验逐步转化为可复用的长期知识。
Anthropic 将记忆本质定义为”对未来的预测”——记录一条已验证规则，意味着模型预期未来会再次依赖它。会话中 Claude 会标记重要事件或写入记忆笔记，但需要自行判断哪些内容真正有用，而非无差别留存。
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 明显优于无记忆基线。Claude Opus 5.5 与 Sonnet 5.5 启用记忆后平均得分分别达到 0.838 和 0.833，而无记忆基线分别为 0.655 和 0.644。
在《宝可梦红》游戏测试里，团队发现”少而精”的记忆更有效：Claude Fable 5 仅维护 10 个记忆文件便拿到 4 枚徽章，而 Sonnet 3.7 写下 413 个文件却只拿到 1 枚。结论指向模型应优先保存策略、计划与经测试的规则，而非不断变化的屏幕状态。
这项研究的工程意义在于，让智能体具备”失败—反思—验证—总结规则”的自主学习闭环，而不必每次都从零开始。对需要长期跟踪用户偏好、执行多步工作流的 agent 来说，稳定的记忆层正成为能力上限的关键变量。
如需转载请务必注明出处：鲸云网 责任编辑：华磊
