会做梦的AI，记性反而更好？Anthropic新实验：写了413份笔记的，输给只写9份的
有位哲学家说，人这一辈子，很多事只有回头看才看得明白，可日子只能往前过。
这句话放在人身上是感慨，放在 AI 身上，却是个实打实的工程难题。
Anthropic 最近发了一篇文章，讲了他们给 Claude 设计记忆系统时踩过的坑和想明白的事。核心结论有点反直觉： 想让 AI 记性好，光让它「记笔记」不够，还得让它学会「做梦」。
这是怎么回事？我们慢慢说。
先看人脑是怎么记的。
人在生活里是随时随地在记东西的。这背后有个关键角色叫海马体，它负责在当下捕捉经历，让记忆快速形成、随取随用。但注意，并不是所有经历都会变成长期知识 —— 只有一部分会被「巩固」下来。
而巩固这件事，大多发生在大脑「离线」的时候。睡着时、安静休息时，海马体会「回放」最近的经历，慢慢把它们提炼、整合进新皮层，那里才是大脑存放「知识」的主仓库。
智能体的记忆，其实也可以照这个思路分工。
AI 干活时会留下大量日志和对话记录（transcripts），这相当于海马体的即时捕捉。Letta 和 UC Berkeley 的研究者提出过一个叫「睡眠时计算」（sleep-time compute）的概念：模型在交互间隙的空闲时间里，重新组织已有的上下文。同样的思路可以用来整理记忆，让 AI 在闲下来时反思日志、修正错误、产出新的笔记。这个过程，行业里通常就叫它「做梦」（dreaming）。
Anthropic 发现， 「做梦」是给 Claude 打造有效记忆的一把利器 。这篇文章，就是他们围绕智能体记忆做的一系列实验，以及每个组件到底起了什么作用。
文章链接：https://www.anthropic.com/research/components-of-agent-memory
先定义：什么算「智能体记忆」
Anthropic 说的「智能体记忆」，特指 Claude 从经验中得来的知识，包括和用户的交互、被分配的任务，以及在不同会话之间保留下来的东西。
有三种「学习」不算在内：改权重（训练时调好的内部参数）、上下文内学习（单次对话里获得的知识）以及压缩（compaction，Claude 把旧的对话轮次写成摘要，好在新上下文窗口里继续干活）。
记忆的第一层：随手记笔记
人脑里，一段经历发生前后释放的化学信号，会给这段记忆打个「重要」的标记。被标记的记忆，在离线时会被更频繁地回放，从而稳定下来、进入长期记忆。
Claude 也能做类似的事：在会话日志里给显著事件打标签，方便以后查找；或者直接写进记忆库，比如一个放记忆笔记的文件夹。
但问题来了：事情正在发生的当下，Claude 怎么知道哪件事值得记？它还不知道接下来会发生什么。
记忆，其实是对未来的预测
记忆本质上偶尔是一种预测。写下一条规则，等于在预测这个模式以后还会用上；记下一条验证过的事实，等于在预测未来的自己会想直接用这个事实、不再二次核对。而 Claude 在这类预测上，已经进步了很多。
Anthropic 用 Continual Learning Bench（CL-Bench）1.0 做了个实验。这个基准测试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 要查数据库回答一系列问题，答完会被告知正确答案，然后可以写一条记忆，帮自己答好后面的问题。
这里能形成一个学习闭环：答错了，就记录失败、提出「哪里错了」的假设、验证假设、把结论变成一条未来的答题规则。
实验用的是 Claude Managed Agents。每道题 Claude 都在全新会话里开始，唯一的例外是：它能读取一个跨会话保留的记忆目录。
不同模型搭学习闭环的能力差别很大：
Sonnet 4.6 走到了「提出假设」这一步，但记忆目录里是一堆零散文件，每个文件列着几条没验证过的猜测；
Opus 4.7 把笔记整合成了一份参考文档，开始标注哪些事实查过了、哪些还没确认；
Sonnet 5 会在评分器批改后把答案标记为「已确认」，答错了就写一条更正；
Opus 5 是第一个闭环的模型。它的大多数条目都包含一条规则（以及它怎么知道这条规则是对的）、之前问题的答案，还有一路上发现的坑的明确警告；
到了 Opus 5.5 和 Sonnet 5.5，两个模型都闭了环，用记忆沉淀「怎么答好未来问题」的验证过的规则。带上记忆后，它俩的得分和 Opus 5 大致相当 —— 而且它们不用记忆的基线本来就略高。
Claude 学会了判断「什么值得记」
另一个实验更有意思：让 Claude 玩《宝可梦・红》。这个游戏要导航复杂的长程任务，正好考验 Claude 判断「该往记忆里存什么」的能力。每次开局，模型都会拿到一个可以读写的记忆文件夹。
对比 Sonnet 3.7 和 Fable 5 各玩到大约一万步时的记忆文件夹，差别非常明显。
Sonnet 3.7 的假设是「所有东西都可能有用」，于是见啥记啥：每场战斗一个文件、每捡一个道具一个文件、每遇到一个 NPC 一个文件。最后它写了 413 个记忆文件、摊在 225 个文件夹里，只拿到一枚徽章（徽章代表游戏进度）。
Fable 5 呢？9 个文件、2 个文件夹，外加一个顶层的 global.md，拿了四枚徽章。
Sonnet 3.7 的打法为什么不行？因为宝可梦的游戏状态一直在变，它那份详细记录不停地过时。结果就是，越往后玩，Claude 花在翻记忆上的时间和资源越多，正经玩游戏的越少。一万步左右，Sonnet 3.7 开始建第四套「主」记忆文件夹 —— 接下来的 17 步里，它建了六个文件、删了九个，游戏里一步没动。
Fable 5 的思路是：只记游戏不会直接告诉你的东西。像「玩家有多少钱」「在地图哪个位置」这种信息，每回合屏幕上就有，存下来纯属冗余。而策略、计划、验证过的规则这些东西，Claude 不想明白就不存在，不写下来就会消失。
所以 Fable 5 是这么组织记忆的：global.md 当仪表盘，放当前目标、打道馆的预写计划、以及它给自己定的记忆使用规则；locations 文件夹放各条路线的导航方案；gameplay 文件夹放它摸出来的游戏机制策略。举个例子，连续七个精灵球没抓到鲤鱼王（最容易抓的宝可梦之一）之后，Claude 写道：「如果连续 3 个球以上失败，改变按键节奏（在菜单步骤之间插入额外的等待）—— 这么做之后立刻抓到了。」
凭着一个小得多的记忆文件夹，Fable 5 的游戏进度远超 Sonnet 3.7。Opus 5.5 的路子类似：一小叠记忆笔记，追踪当前目标和下一步，边玩边改 —— 最后通关了。
怎么「指挥」Claude 写记忆
Anthropic 发现一条规律：告诉 Claude 记忆是干嘛的，有用；告诉它具体怎么用，反而没必要。
在 CL-Bench 上，他们只是告诉 Claude「有个记忆文件夹可以用」。就这点泛泛的指引，已经够 Opus 4.7 和 Opus 5 把记忆用出效果，性能明显提升。
他们也试过给模型定具体规矩，一次测一条，对比有没有这条规矩时记忆带来的收益。结果，当规矩是「只记录失败」时，Opus 5 和 Opus 4.7 都丢掉了记忆带来的大部分增益。对更强的模型来说，让它自己判断什么重要，比事先定死规则更有效 —— 规则定不好，反而拖后腿。