Anthropic 披露 Claude 智能体记忆架构，以及夜间重建它的「做梦」系统

Anthropic 在 2026 年 11 月 6 日周四，发布了一篇详尽的工程文章，介绍了自己的Claude 智能体记忆架构，正式提出了一套四层记忆层级，以及一套称为「做梦」的离线整合过程——这个过程会在各个会话之间，重新组织智能体所知道的东西。这篇文章由 Lance Martin 撰写，发表在 Anthropic 的研究博客上，是公司迄今为止，对「基于 Claude 的智能体如何在长期运行的部署中积累、组织和检索知识」这个问题，最完整的一次技术描述。

「做梦」这项功能本身，早在 2026 年 5 月，就已经作为一项研究预览，在 Anthropic 的 Claude Managed Agents 平台上线了。这篇 11 月的博客文章，把那次发布，与新的基准数据、来自一次长达数月的《精灵宝可梦：红》试验的实验证据，以及来自 35 万个文件语料库（取自 Stainless，这家 API 工具公司已于 2026 年 5 月被 Anthropic 收购）的表现结果，放在了一起。

一套四层技术栈：从原始对话记录，到每次都会加载的上下文

Anthropic 把智能体记忆描述为组织成四层，从下到上，持久性和信息密度依次提升。

第一层保存原始的会话记录——智能体说过什么、看到过什么、做过什么的未经处理的记录。第二层包含记忆笔记：从这些记录里提炼出的观察结果、错误修正和行为规则。第三层包括记忆表示，其中包括整合了多个会话信息的结构化 wiki 文档。第四层、也是最高层，是注入式上下文——被提升为在每次会话开始时自动加载、不需要任何检索步骤的笔记和 wiki 条目。

「做梦」运作在这套技术栈的边界上。一旦被触发，这个过程会读取智能体现有的记忆存储，以及最多 100 次此前的会话，然后写出一个全新的输出存储。关键的一点是，这套系统从不修改输入存储：原始记忆被完整保留，所有改动都出现在一个独立的输出里。这个设计选择，防止了级联式的数据损坏——一次做出糟糕推断的「做梦」，不会摧毁它据以构建的那份记忆。

每一次「做梦」运行，实际计算的是什么

每一次做梦运行，都执行三项不同的操作。第一项，从近期会话中提取新的记忆笔记——关于用户偏好的观察、反复出现的模式、智能体犯过的错误，以及它收到过的修正。第二项操作，通过整合目前为止积累的笔记和会话历史，构建或更新 wiki 条目。第三项，把挑选出来的笔记和 wiki 条目，提升为注入式上下文，这样最可靠有用的知识，就能到达最高层，在未来每一次会话开始时加载，不产生任何检索开销。

开发者通过 Dreams API，用两个测试版请求头来触发「做梦」：managed-agents-2026-04-01和dreaming-2026-04-21。由此产生的输出存储，接下来就会成为后续智能体会话的记忆来源。

这种离线的时间安排是刻意为之的。「做梦」在用户会话之间运行，而不是在会话期间运行，把算力花在记忆重组上，不与实时推理抢资源。这份算力不是免费的——每次做梦运行要处理最多 100 次会话、写出一个完整的输出存储——但 Anthropic 的论点是，这笔投入，会通过实时会话里更低的上下文用量和更高的任务成功率得到回报。

CL-Bench 的结果：模型能力是记忆的一个倍增器

Anthropic 用 CL-Bench 1.0（一套持续学习基准）衡量了「做梦」的效果，这套基准测试的是智能体从过去的错误中吸取规则、并在一项数据库任务中正确应用这些规则的能力。

结果显示，不同档位的模型之间存在巨大差距。Claude Opus 5.5 在做梦之后，从 0.655 的基线分数提升到了 0.838——提升了大约 18 个百分点。Claude Sonnet 4.6 在同一基准上测试，只从 0.330 提升到了 0.364，这个微弱的提升说明，即便会话历史已经被做梦系统明确组织过，这个较小的模型依然难以从中提取出可操作的规则。

这种分化，对那些在 Managed Agents 平台上构建应用的团队来说，有一个实际的含义：这套记忆架构，会把基座模型本来就具备的推理能力放大。一个强的模型，提取出的是清晰的规则；一个弱的模型，提取出的是噪声。因此，基座模型的选择，决定了做梦产出的究竟是真正的知识积累，还是积累起来的幻觉。

宝可梦实验：记忆应该过滤掉什么

这篇文章里最有启发性的实验，是一次试验，让两个不同的 Claude 模型各自独立地玩《精灵宝可梦：红》，各自在游玩过程中积累记忆。这次实验要回答的问题，不是智能体能不能记住事实，而是它们能不能行使「显著性判断」——只存储那些玩家没法直接从屏幕上看到的信息。

Claude Fable 5 玩完了一长串会话。它最终积累了大约十个记忆文件，拿到了四枚宝可梦徽章——在一款需要规划几十个小时游玩时间的游戏里，这是有意义的进展。平行进行的另一次试验中，Claude Sonnet 3.7 积累了 413 个记忆文件，却只拿到了一枚徽章。

差别在于，每个模型选择存储了什么。Fable 5 认识到，屏幕上可见的信息——当前血量、可用招式、对手的属性——不需要被记住，因为它们一直存在于上下文里。它存储的是那些从过去错误中得出、但已经不再可见的规则：需要推理才能推断出的属性克制规律，早期路线上犯过的战略错误，以及该省着用哪些治疗道具的经验教训。Sonnet 3.7 几乎什么都记，包括重复的屏幕信息，产生了一个大到难以检索的记忆存储，里面塞满了与真正有用规则相互竞争的条目。

这次实验，印证了这篇文章里的一个核心论点：记忆质量，主要取决于智能体决定不存储什么，而这种筛选决策，需要一个能够区分「持久性推论」和「短暂性观察」的模型才能做出。

在 35 万个文件上构建知识库

为了做更长周期的评估，Anthropic 在 Stainless 语料库上测试了 wiki 构建——这是一套来自 Stainless（这家 API 工具公司已于 2026 年 5 月被 Anthropic 收购）的技术文档语料，大约有 35 万个文件、4.2 亿个词元。经过 128 次做梦会话，针对这个语料库提出的问题，wiki 的回答准确率从 13% 提升到了 48%。在 wiki 之外再加上搜索能力，准确率进一步提升到了 61%，相比之下，没有 wiki、只靠搜索的准确率是 53%。

wiki 的贡献，不只是检索，更是压缩：智能体不是针对一次查询呈现原始文件，而是可以直接从一份已经整合了多份源文档信息的综合 wiki 条目里作答，让每次提问的词元消耗，减少了大约 2 万个。

这种减少，在部署规模上意义重大。一个每天处理数百次查询的智能体，能通过 wiki 的预先计算，大幅降低上下文开销，把更多的推理预算，留给查询本身，而不是文档检索。

这套架构目前还有哪些不足

「做梦」目前只能通过 Claude Managed Agents API 使用，这把它限制在了直接在 Anthropic 平台上构建应用的团队范围内。那些通过标准 API 调用或第三方编排框架使用 Claude 的机构，如果不迁移到 Managed Agents 基础设施，就无法使用做梦功能。

wiki 构建的结果，虽然有显著改善，但也暴露出一个持续存在的准确率天花板。从 13% 的基线提升到 48%，是有意义的，但在 128 次做梦会话之后，Stainless 语料库上仍有 52% 的 wiki 回答是错误的。从嘈杂或自相矛盾的会话历史中整合出来的 wiki，可能会编码进错误的信息，而且目前没有任何自动机制，能检测出一个 wiki 条目何时已经偏离了底层的真实信源。早期错误的规则，如果没有被后续经验明确纠正，就可能一直存续下去——这个特性，让做梦在那些错误会产生明确纠正反馈的领域里最为可靠。

跨会话流转的记忆，也给那些依赖一致行为的应用，带来了可复现性方面的担忧。智能体对同一个查询给出的回答，可能会因为之前的会话产生了什么、以及做梦选择保留了什么而有所不同。

竞争格局中的定位

Anthropic 不是唯一一家在追求离线记忆整合的公司。Letta，从加州大学伯克利分校的 MemGPT 项目分拆而来，在 2025 年 4 月发表了一篇睡眠时计算论文，正式提出了「AI 系统在各会话之间离线重组信息」这个概念，并在 MemGPT 2.0 里提供了开源的记忆管理功能。OpenAI 在 2026 年 6 月，为 ChatGPT 发布了 Dreaming V3，一套记忆刷新机制。

Anthropic 这套设计里的关键区别，是「非破坏性输出存储」模型，它保留了审计或回滚一次做梦运行的能力，再加上深度嵌入基座模型本身（而不是作为后处理附加上去）的显著性过滤。与这篇研究文章同时，Anthropic 还把两项 Claude Managed Agents 的能力，推进到了公开测试版：基于评分标准的自我打分——文档显示，它最多能把任务成功率提高 10 个百分点；以及多智能体编排，让一个主导智能体能协调最多 20 个专精子智能体。

一份架构蓝图，不只是一次功能公告

11 月 6 日这篇文章，是 Anthropic 第一次发表一套系统性的智能体记忆工程框架，而不是单纯发布各自独立的功能。这套四层模型、非破坏性输出存储的设计、从笔记到 wiki 的整合流水线，以及显著性过滤原则，共同构成了一份蓝图，竞争实验室和开发者现在都可以研究和借鉴——这种程度的架构披露，把智能体记忆，从一项不透明的产品能力，变成了一门有文档记录的设计学科。

CL-Bench 的数据、宝可梦实验，以及 Stainless 的 wiki 评估，共同论证了一点：智能体记忆，正在从一个可选的附加项，升级为一个基础性的关切。做梦能否弥合剩下的准确率差距——128 次会话之后，仍有 52% 的 wiki 回答是错的——以及这套架构在 Anthropic 自己的评测条件之外能否同样稳健，是独立的基准测试需要回答的问题，之后，多会话智能体记忆，才能被当作一个已经解决的问题，而不是一个仍在活跃推进的研究前沿。