一句话结论:Anthropic 2026 年 11 月 6 日发布的智能体记忆研究给出了一套可操作的答案,记忆的关键在于知道该忘掉什么,Claude Fable 5 在宝可梦红测试里只写 10 个文件 43406 字符就拿到 4 个徽章,而旧版 Sonnet 3.7 写满 413 个文件 977930 字符只拿到 1 个徽章,同时官方明确警告,写死记忆规则反而会让记忆收益倒退。
做长期运行的智能体,记忆几乎一定会被当成一个越大越好的东西来设计。存下全部历史,上下文越攒越长,检索的时候总能捞到点什么。这套直觉在真实任务里会崩。Anthropic 工程团队 11 月 6 日发布的研究 The components of agent memory 给出了一整套实验证据,核心结论有两个。记忆的产出量与效果不成正比,甚至成反比。而怎么写记忆这件事应该留给模型自己判断,外部写死规则会让收益倒退。
这篇研究由 Lance Martin 撰写,编辑指导来自 Caitlin Love、Tom Chivers、Rebecca Hiscott、Jake Eaton 和 Blake Wilson,图由 Monika Tuchowska 制作。研究把智能体记忆拆成四层,从下到上是会话记录、Claude 写的记忆笔记、像 wiki 这样的记忆表示,以及每次会话都会加载的注入上下文。四层之间由 dreaming 机制串联,这个词借的是 Letta 和 UC Berkeley 提出的 sleep-time compute,也就是让模型利用交互之间的空闲时间重整已有上下文。
四层记忆架构
研究先把边界划清楚。智能体记忆指的是 Claude 从经验中获得的知识,包括与用户的交互和它被指派的任务,并在会话之间保留为之后可读的上下文。明确排除在外的有三类,权重变化这种训练期的学习、单次会话内的 in-context learning,以及 compaction 这种用摘要替换旧轮次以腾出上下文窗口的做法。
有了这四层,问题就变成每一层该放什么,以及谁来维护。
| 层级 | 形态 | 谁写入 | 作用 |
|---|---|---|---|
| 会话记录 | 可检索的事件日志 | 系统自动写入 | 原始事实底本,供 dreaming 回溯 |
| 记忆笔记 | Claude 自选的重要观察 | Claude 判断后写入 | 跨会话可用的经验沉淀 |
| 记忆表示 | wiki 等结构化文档 | dreaming 整理产生 | 给笔记建立索引与层次 |
| 注入上下文 | 每次会话预加载的少量内容 | dreaming 提升 + harness 加载 | 省掉检索成本,但占用 token |
类比来自人脑。海马体在当下捕捉经历让记忆快速形成,但只有一部分经历会被整合进长期知识,而这个整合似乎主要发生在大脑离线时。睡眠期间海马体重放近期经历,逐渐把这些经历蒸馏并整合进新皮层。Claude 的做法在结构上是同一个思路,只是把离线时间换成了 dreaming 过程。
宝可梦红实验:10 个文件对 413 个文件
最直观的一组数据来自宝可梦红。研究者给每个模型一个可读可写的记忆文件夹,比较 Sonnet 3.7 和 Fable 5 各自跑到约 10000 步时的记忆目录。
Sonnet 3.7 假设一切都可能有用,于是无差别地写。它的目录里有 413 个文件、分布在 225 个文件夹中,总计 977930 个字符,每次战斗、每件捡到的物品、每个遇到的游戏角色基本各有文件。它最终拿到 1 个徽章。徽章代表玩家在游戏里的进度推进程度。
Fable 5 写了 9 个文件放在 2 个文件夹里,外加一个名为 global.md 的顶层文件,共 10 个文件、43406 个字符,拿到 4 个徽章。
| 对比项 | Sonnet 3.7 | Fable 5 |
|---|---|---|
| 记忆文件数 | 413 | 10 |
| 文件夹数 | 225 | 2 |
| 字符总量 | 977930 | 43406 |
| 宝可梦红徽章数 | 1 | 4 |
| 写入策略 | 无差别存档 | 只存推导出的策略与规则 |
Sonnet 3.7 的做法问题出在游戏状态 constantly 在变,详细的记录会持续过期。随着推进,它不得不花更多时间和资源去翻自己的记忆而不是玩游戏。约在 10000 步附近,它开始开第四个 master 记忆文件夹,接下来的 17 步里创建了 6 个文件、删除了 9 个,游戏里一个动作都没做。
Fable 5 的做法是用记忆去存游戏没直接告诉它的东西。像玩家有多少钱、在地图哪个位置,每回合都能从屏幕上读出来,存下来是冗余的。反过来,关于策略、计划和被验证过的规则的记忆,只有 Claude 自己推导出来才存在,不写下来就消失。它的 global.md 相当于一块仪表盘,装着当前目标、打 gym 的预写计划,以及自己定的记忆使用规则。locations 文件夹放特定路线的导航计划,gameplay 文件夹放从游戏机制里学到的策略。
文件里甚至有一条很具体的经验。连续七次宝可梦球抓小鲤鱼失败之后,Fable 5 写下了规则,如果连续失败三个或更多,就变换时机,在菜单操作之间插入额外的等待按键,捕获是在这么做之后成功的。这类内容没法从屏幕上直接读出来,只能靠自己试出来再记下来。
写死规则反而倒退
CL-Bench 1.0 上的实验给出了量化结果。任务要求 Claude 通过查数据库回答一系列问题,答完会被告知正确答案,并可写一条记忆用于后续问题。研究用 Claude Managed Agents 跑,每题开一个新会话,唯一延续下来的是跨会话持存的记忆目录。
| 模型 | 无记忆基线 | 有记忆 | 增益 |
|---|---|---|---|
| Opus 5.5 | 0.655 | 0.838 | +0.183 |
| Sonnet 5.5 | 0.644 | 0.833 | +0.189 |
| Opus 5 | 0.564 | 0.828 | +0.264 |
| Opus 4.7 | 0.383 | 0.700 | +0.317 |
| Sonnet 5 | 0.306 | 0.610 | +0.304 |
| Sonnet 4.6 | 0.330 | 0.364 | +0.034 |
各模型表现出的学习闭环能力不同。Sonnet 4.6 最差,它只做到生成关于为什么答错的假设,记忆目录里散落着一堆未经检验的猜测。Opus 4.7 会把笔记整合成单一参考文档,并标出哪些事实已核实、哪些还没确认。Sonnet 5 会在评分器核查后标记答案已确认,答错时补一条更正。Opus 5 是第一个闭合这个回路的,它的条目大多包含一条规则以及规则为真的依据、早期问题的答案、以及踩过的坑的明确警告。
接下来是这项研究最反直觉的一条结论。研究人员测试了给模型规定具体记忆规则的做法,一次测一条规则,比较有无规则时记忆带来的增益。结果当规则设定为只记录失败时,Opus 5 的记忆增益变化是 -0.234,Opus 4.7 是 -0.150,Sonnet 4.6 是 -0.020,全是负数。对强模型来说,给它们自由判断显著性比预先定好固定规则更有效,而这些规则甚至会削弱表现。
帮倒忙的是弱模型。Sonnet 4.6 经常不读记忆目录里的文件,也不去验证自己的假设。提示它回答前先读记忆文件、再显式检验自己的假设后,它的基准分几乎翻倍,从 0.330 涨到 0.364 加精化指令的 0.641。Sonnet 5 不需要提示就会这么做,它在 10 次里有 9 次先读记忆再回答,Sonnet 4.6 不到一半。
dreaming 能修错,也能把笔记推到顶层
Claude 基于会话内的判断写笔记,笔记从一开始就写错或者随环境漂移,下个会话读出来还当真,就麻烦了。dreaming 提供了用原始会话记录去检验笔记的机制。
它还能往上层推。笔记被提升到新的表示层后,agent harness 可以在每次会话开始时预先加载,Claude 不需要搜索,甚至不需要知道有东西可搜。但这一步必须谨慎。注入的记忆占用宝贵 token,一条错误的笔记会被带进每一个会话。加载了也不保证 Claude 会照做,官方文档明确警告更长的指令文件会降低遵从度。所以顶层必须保持小,dreaming 在这里的大量工作就是把细节往下移,只留下链接。
Claude 自己的自动记忆也用同样办法控制体积,它不会把全部自动记忆都装进每个会话的上下文,只加载前 200 行或 25 KB 的内容,并把这部分作为索引header,让 Claude 知道自己知道什么以及去哪里找。
wiki 层的价值取决于任务类型。在 LAB 基准的一个并购任务里,24 道问题中超过一半需要跨多份文档整合信息并做出判断,这时查 wiki 的正确率是 87%,只用搜索是 73%。但另一个 LAB 任务里 wiki 没带来明显增益,因为评分点大多能靠单文档文本搜索直接命中。更极端的情况是 wiki 长得比原始文件还大,作者借用博尔赫斯那段关于精确科学的寓言来比喻,地图画得和帝国一样大,却什么也没抽象出来。
dreaming 还能修正多智能体并发写同一页造成的覆盖问题。最初几个 agent 同时往一张共享的合同条款表里写,结果只保住了 57 个评分事实中的 41 个,占 72%。原因是 agent 互相覆盖了工作,共享表把合同条款总结得很差,有些干脆漏掉。改成每个合同单独一页、由单个 agent 逐字引用条款之后,100% 的评分标准都能满足,从 72% 涨到 100%。
另一个场景是补链接。构建 LAB 基准的 wiki 时,Claude 偶尔会链接到还没创建的页面。第二次 dreaming 扫描发现某个任务里有 9 个链接指向缺失页面,把它们重指向同一文档的已有页面,并新增 3 个页面包含一个索引。
怎么落到自己的智能体里
研究给了几条可以直接照做的结论。第一,记忆预算要花在筛选上,不要花在容量上。写满历史档案的上下文往往不是资产,检索不到重点的旧笔记既占预算又干扰判断。第二,注入层要小。顶层保持小而精,细节往下层放,只留链接,前 200 行或 25 KB 是个可参考的量级。第三,别替模型写规则。给强模型一条诸如只记录失败或只记录结论的硬规则,收益会倒退。第四,让模型先读记忆。弱模型靠一条提示就能把基准分接近翻倍,强模型则本来就在这么做。
dreaming 也有它的成本,它要占用算力,而且产出不一定立刻可访问。研究把几个开放问题列得很直白,Claude 什么时候该创建记忆,怎么让记忆可靠地保持更新,没有任何模型能真正预知未来会发生什么。持续让 Claude 检查记忆在实践中未必可行,更有希望的方向是把 dreaming 聚焦在可能变化的信息上,或者按记忆被访问的频率来调整 dreaming 的节奏。
常见问题
智能体记忆存得越多越好吗?相反。宝可梦红实验里 Sonnet 3.7 存了 413 个文件 977930 字符只拿到 1 个徽章,Fable 5 存 10 个文件 43406 字符拿到 4 个徽章。旧笔记持续过期,模型要花资源翻记忆而不是做任务。
给模型写死记忆规则有用吗?对强模型有害。设定只记录失败时,Opus 5 的记忆增益变化 -0.234,Opus 4.7 是 -0.150。官方结论是给自由判断显著性比预设固定规则更有效。但对弱模型有用,Sonnet 4.6 被提示先读记忆再检验假设后,基准分从 0.330 涨到 0.641。
dreaming 是什么?它是让模型在交互之间的空闲时间重整自己上下文的机制,思路来自 Letta 和 UC Berkeley 的 sleep-time compute。它可以回溯检查并修正写错的记忆笔记,把笔记整理成 wiki 这样的表示,也可以把特定笔记提升到每次会话预加载的顶层。Claude 官方的 managed agents 文档里也提供了 dreams 功能。
这套方法能直接用在宝可梦以外的任务上吗?可以,但收益依赖任务类型。wiki 层在需要跨文档整合判断的任务上把正确率从 73% 提到 87%,在评分点大多能靠单文档搜索命中的任务上则没有明显增益。
小结
这篇研究真正改变的是提问方式。记忆系统的设计问题不再是能存多少,而是怎么判断什么值得存、什么该忘、错了怎么回改。Anthropic 给出的答案是把判断权交给模型本身,把纠正权交给 dreaming 过程。
对正在做长期运行智能体的团队,最直接的动作有三个。把注入层压到小而精,把记忆规则从硬约束改成软引导,然后确保流程里有一环是让模型回读自己的旧笔记并修正它。这三件事都不需要重训模型,改的是 harness。
相关阅读
- Memorilla 记忆压缩怎么用:16 个 token 装下整本文档
- OpenAI Control Room:35 秒熔断与 DNS 事故对照
- Kitesurf 怎么装:内存省 6.7 倍的智能体浏览器实测
- ChatGPT Business Hub 上线:12 亿周活与企业可见性
- 本地向量库怎么选:9000 条实测,延迟差 9 倍
延伸阅读
- CrowdStrike 推出 AI 终止开关:股价自高点跌 12%2 周前
- Anthropic 致信纽森:15 日建议法院有权阻止高风险 AI 模型3 周前
- 商汤大装置日均6万亿Token:PD分离把异构集群吞吐拉高5倍1 月前
- AI 审计模型查违规:GPT-5 命中 98% 奖励黑客 误报淹没审核2 周前
继续读
往下这几篇值得接着看:
- Claude Duet 怎么用:3 档订阅价格与 5 条能力边界2026-11-17
- LobeHub Agent 自改 harness:70% 通过率与 1.68 美元成本拆解2026-11-10
- 腾讯 Agent 四层栈怎么搭:40 场发布拆出 4 个数据断点2026-11-09
