AI 的记忆越多越聪明？Claude 记了 413 个文件，只换来一个徽章

人类睡眠时，海马体会重播白天的经历，把短期体验慢慢沉淀成长期知识。Anthropic 把这套机制搬到 AI agent 身上，起了个名字叫 dreaming，中文可以理解为「做梦」。

简单说，agent 在交互过程中会留下大量日志和记录，dreaming 就是利用空闲时间回头翻这些日志，整理、纠错、提炼出可以复用的规则或笔记。Anthropic 在工程博客里详细写了这个过程，以及他们怎么衡量它到底有没有用。

他们把 agent 记忆分成几层：最底下是原始对话记录 transcripts，往上是 Claude 自己写的 memory notes，再往上是 wiki 这类结构化表示，最顶层是每次会话都会预先加载的上下文。dreaming 的作用是在这些层级之间上下移动信息，让需要的东西浮上来，让太琐碎的东西沉下去。

道理听起来顺。真正有意思的是实验里暴露出来的问题。

记太多的那个，反而卡住了

Anthropic 让 Claude 玩《宝可梦红》。这个游戏对 AI 来说是个长程任务，需要导航、战斗、记住地图和道具位置。每个模型开局时都有一个可以读写的记忆文件夹。

他们对比了 Sonnet 3.7 和后来的 Fable 5 在约一万步时的记忆状态。

Sonnet 3.7 的策略是能记就记。打了哪场战斗、捡了哪个道具、遇到哪个 NPC，各建一个文件。最后它写了 413 个记忆文件，分布在 225 个文件夹里，游戏进度是一个徽章。

Fable 5 写了 9 个文件，两个文件夹，外加一个顶层 global.md，进度是四个徽章。

问题不在于「记太多」本身。问题在于 Sonnet 3.7 记了大量会很快过期的状态信息，比如现在有多少钱、人在哪张地图。这些信息屏幕上每回合都能看到，存下来既冗余又容易过时。它花越来越多时间翻记忆，反而没时间玩游戏。到一万步左右，它连续 17 步在增删记忆文件，游戏里一步没动。

Fable 5 把记忆用在游戏不会直接告诉它的事情上：策略、计划、试出来的规则。global.md 像一块仪表盘，写着当前目标、道馆挑战计划、还有它自己的记忆使用规则。有个例子挺具体：连续七个精灵球没抓到鲤鱼王之后，它写下「如果连续 3 个以上球失败，就换节奏，在菜单步骤之间多按等待」。

这类东西不写下来就会消失，写下来才有复利。

一条错误笔记，能把 agent 困在山里

记忆写错了怎么办。dreaming 的一个用途就是拿原始日志回头校验笔记。

同一个宝可梦实验里，Claude 要穿过月见山。山入口附近有个单向台阶，掉下去就会滑回之前的路。Claude 把山入口的宝可梦中心位置记错了，记成了山东侧。走出中心时它宣布「月见山在我身后」，把任务标记为完成，然后朝下一个城市走，接着就掉下了台阶。

导航工具没显示这个落差，Claude 以为自己走偏了，又折回去。如此反复三次，它在记录里写「我打算停下来，不再循环」。实验框架自动回复让它继续，它就一路退回了更早的城镇。那一轮始终没到达目标城市。

dreaming 跑了一遍之后，Claude 对照原始日志发现自己把中心位置记反了，改写笔记。再跑一次，它直接走回山洞入口，后来到达了华蓝市。

这里的关键是日志提供了 ground truth。模型不会凭空知道自己记错了，它需要一个可以回头对照的原始记录。

Wiki 不一定越大越好

Anthropic 还试了用 dreaming 让 Claude 自己建 wiki。他们拿了一家被收购公司 Stainless 的内部文档做语料，大约 35 万个文件、4.2 亿 token。Claude 分 128 个会话逐步搭建和维护 wiki，回答 25 个问题的得分从 13% 涨到 48%。

但 wiki 不是万能的。在 Harvey LAB 的法律文档任务里，如果问题需要跨多份文档综合判断，wiki 有明显帮助：得分 87%，纯搜索是 73%。如果答案基本能从单一文档里搜出来，wiki 就没有清晰优势。

更尴尬的情况也出现了。有一个任务里，Claude 建的 wiki 比原始文档还大，10 份文档 115KB，wiki 长到 203KB，膨胀到 1.77 倍。Anthropic 拿博尔赫斯那个一页纸的短篇来打比方：地图画得和帝国一样大，就等于什么都没抽象。

还有一个多 agent 协作的坑。在并购合同任务里，几个 agent 同时往同一个共享条款页面写内容，互相覆盖，最后只有 41/57 条评分事实被保留下来。改成每份合同由单个 agent 负责、逐字引用条款之后，57 条全部保住。

这说明记忆系统的失败往往不是模型记不住，而是协作和抽象层设计得不好。

该告诉它「为什么记」，别规定「记什么」

Anthropic 在 CL-Bench 数据库任务上试了一件事：给模型加一条「只记录失败」的规则。结果 Opus 5 从记忆里获得的性能增益下降了 0.234，Opus 4.7 下降了 0.150。规则反而削弱了记忆的价值。

他们得出的经验是，告诉 Claude 记忆是用来干什么的，把判断哪些值得记的权力留给模型，效果比预设固定规则好。对老模型，适当引导确实有用，比如提醒 Sonnet 4.6 先读记忆再回答，它的分数几乎翻倍。但新模型基本自己就会读。

这背后有个挺微妙的转变：记忆本身是一种对未来的预测。写下一个规则，等于赌它以后还会用得上。模型判断什么值得记的能力，本质上就是判断什么会重复出现的能力。这种判断目前靠模型自己比靠人写死规则更靠谱。

还没解决的问题

Anthropic 自己也列了几个开放问题。什么时候写记忆？当场写能抓住细节，但会打断主任务；放到 dreaming 里写不占当前注意力，但产出不能立刻用。怎么保证记忆不过期？全量校验太贵，可能要按访问频率或者信息变化速度来决定 dreaming 的节奏。

还有一个根本矛盾，任何模型都没法真的知道未来几轮会发生什么。dreaming 给的是回头的机会，用算力换整理和纠错。记忆系统会随着模型能力一起变，现在远没到定论的时候。

如果硬要提炼一句，大概是：让 agent 记住更多东西不难，让它记住对的东西、并且知道什么时候不该信自己记的东西，才是难点。Sonnet 3.7 那 413 个文件就是提醒。

参考来源：Anthropic Engineering Blog，The components of agent memory，2026 年 11 月 6 日。