Anthropic 公布 Claude 长期记忆设计：用 Dreaming 机制自动复盘纠错
Anthropic 公开了 Claude 记忆系统的设计细节，Dreaming 机制让 Agent 自己复盘纠错，在 CL-Bench 上提了 28%，做 Agent 记忆的都该看看。
Anthropic 公布了 Claude 长期记忆系统的设计思路，核心机制叫 Dreaming，让 Agent 在任务之间复盘历史经历，提炼有效经验、纠正错误结论、把零散笔记整理成 Wiki 和索引。系统采用四层架构：Transcripts、Memory Notes、Memory Representations 和 Injected Context，只把当前最重要的信息加载进上下文。实验中，Claude Opus 5.5 在 CL-Bench 跨会话数据库任务上开启长期记忆后，平均奖励分数从 0.655 提升到 0.838，相对提升 28%。另一个并购资料问答任务里，用 Dreaming 构建的 Wiki 得分 87%，比仅用搜索的 73% 高出 14 个百分点。
Anthropic刚刚揭示了Claude长期记忆系统的设计思路，让AI自动复盘、纠错、整理经验！
Agent记住得越多，不一定就越聪明
因为长期记忆可能包含大量无用细节、已经过时的信息，甚至错误结论，如果Agent不断复用这些错误记忆，可能就会反复犯同样的错误
Anthropic的核心观点是：Agent记忆的关键，不是记住更多东西，而是知道什么值得记、如何组织、什么时候调用，以及如何发现并纠正错误记忆
他们在研究中采用了一种记忆整理机制，叫Dreaming
简单说就是让Agent在任务之间主动复盘自己的历史经历
比如说一个Coding Agent今天花了几个小时修复Bug
传统记忆系统可能保存整个调试过程，包括查找文件、运行测试、遇到报错、修改代码等大量记录
Dreaming则会重新分析这些记录，提炼出真正值得保留的经验：
1、整理经验，哪些方法有效，哪些失败了，背后的原因是什么 2、纠正错误，重新检查历史记录，找出错误结论、过时信息和互相矛盾的记忆 3、组织知识，把零散笔记整理成结构化知识、Wiki和索引，让Agent下次需要时更容易找到
还提出了一套分层记忆架构： 1、Transcripts，原始对话和任务执行记录，保留可追溯的历史证据 2、Memory Notes，Agent提炼出来的经验、规则和重要信息 3、Memory Representations，把知识组织成Wiki、主题页面和关联索引 4、Injected Context，只把当前最重要的信息加载到新会话中，其余内容按需检索
这套架构的关键是，不让所有历史信息都挤进上下文，而是通过持续整理让记忆变得更有用
实验结果 在CL-Bench跨会话数据库任务中，Claude Opus 5.5用长期记忆后，平均奖励分数从0.655提升到0.838，相对提升28%
另一个实验，让Claude利用Dreaming构建知识Wiki，在需要综合多份并购资料的问答任务中，使用Wiki的得分达到87%，相比仅使用搜索的73%，提高14个百分点
Anthropic认为，真正有效的Agent长期记忆，不是一个越来越大的数据库，而是一套能够自动判断重要性、积累经验、纠正错误、组织知识并按需调用的动态系统
#AgentMemory #Dreaming #AI长期记忆
