Claude跨会话记忆架构全拆解:四层金字塔与Dreaming如何让Agent真正记住经验
Agent能跨会话记住事情,并不等于它真正拥有长期记忆。真正难的是三个问题:该记住什么?错误记忆由谁修正?新会话开始时应该先看什么?Anthropic近期发布长文,系统拆解了Claude的记忆设计。其核心思路不是增加一个数据库,而是让在线记录与离线整理形成闭环——离线整理过程被称为Dreaming。这套架构为所有做智能体记忆系统的团队提供了一个值得细读的参考范式。
四层金字塔:记忆的完整生命周期
Claude的记忆是一座四层金字塔:最底层是完整对话与任务记录,即可搜索的transcripts;向上是Claude主动写下的memory notes;再向上是Wiki等结构化知识表示;最顶层则是每次新会话自动注入的上下文。四层之间不是一次性搬运,新经验先落在笔记里,稳定知识经过多次使用后逐步上升,失效内容则被下推或删除,记忆因此有了完整的生命周期。
记得更少,反而走得更远
架构解决了记忆放在哪里,下一个问题是写什么。在数据库任务评测中,引入记忆后模型平均奖励从0.564提升到0.828,关键跃迁在于模型开始保存规则、验证依据和已知陷阱,自己闭合学习循环。而宝可梦实验更说明记得多不等于记得好:一个模型写下413个文件只拿到一枚徽章,另一个只保留10个文件却拿到四枚徽章——差别在于显著性判断,目录膨胀会反过来拖慢Agent。
积墨 AI 智能体开发平台
快速搭建具备商业价值的 AI 智能体,支持复杂工作流编排、50+ 主流模型接入与私有化部署。
落地启示:规则设计与记忆成本
从多年企业智能体落地经验来看,这套架构给出的最大启示有三点。其一,记忆规则要适配模型能力:实验显示,只记失败反而让强模型收益下降,因为成功经验和已验证事实同样重要;而旧模型需要明确脚手架,比如要求答题前先读文件并验证猜想,分数才接近翻倍。所以正确策略是告诉模型记忆为什么存在,但不替它决定每一次该怎么记。其二,记忆不是免费资产,检索和维护都要消耗本可用于行动的资源,顶层注入内容必须克制——Claude Code的auto memory只加载MEMORY.md前200行或25KB,其余细节留在下层按需读取。其三,顶层是目录不是仓库,要持续把细节下沉并留下链接,否则注入内容越长,指令遵循度反而越低。
纠错与知识地图:Dreaming的价值
Dreaming的两大价值在实验中得到验证。纠错方面:Claude曾在游戏中错把宝可梦中心记在山洞东侧,并据此错误记录任务已完成,错误笔记被后续会话反复信任导致三次走回头路。Dreaming介入后,将笔记与原始transcript对照发现错误并改写记忆,修正后的运行成功抵达目标城市——纠错没有依赖人工标注,而是让模型重新面对产生笔记时的证据,原始记录由此成为整个记忆系统的校验锚点。知识地图方面:用约35万个文件、4.2亿token的内部语料,让模型在128个会话中持续撰写、合并、修剪并互链Wiki页面,评测得分从13%提升到48%,Wiki加搜索的组合收益最高且每题节省约2万token。但收益依赖任务结构:需要跨文档组合信息时优势明显,答案集中在单篇文档时则不明显,知识地图必须压缩信息而不是换一种方式抄一遍语料。
这套架构给出的不是万能记忆模板,而是一条清晰主线:经验先被记录,再被筛选、验证、连接,最后以最小上下文进入未来。对长期运行的Agent而言,真正重要的不是存下全部过去,而是持续把过去变成可靠、紧凑、可调用的未来上下文。
