Agent 记忆的四层栈与「梦境」回路：读 Anthropic 的记忆组件研究

一句话　记忆不是把聊天记录存下来，而是在四层之间搬东西：下层真而难用，上层好用而易错；「梦境」（dreaming）就是那个在离线时段负责搬运、纠错与修补的工人。

本文的图按原文的数据与结构重绘；原文自带的十余张图表与截图，见文末的出处链接。

一、痛点：它能看见的只有这一次#

长期对话里的记忆问题有两个方向会同时发作：一是忘——每个新会话从零开始，上周的决策、踩过的坑、验证过的规则全没了；二是胀——为了不忘，把历史一股脑塞进上下文，于是注意力被稀释、成本上升、旧信息还和新事实打架。

Anthropic 在这篇文章开头借了克尔凯郭尔一句：生活只能倒着理解，却必须正着过。记忆设计撞上的是同一件事——在写下一条记忆的那一刻，你并不知道未来会不会需要它。所以真正难的是判断「此刻什么值得记」，以及「记错之后怎么改」。

文章对「agent 记忆」的定义很克制：只指 Claude 从经验（与用户的交互、被交代的任务）中获得、并能跨会话保留下来、作为上下文再读到的知识。它明确排除了另外三样：改权重、单次会话内的 in-context learning、以及压缩（compaction，用摘要替换旧轮次以便在新窗口继续）。

二、四层记忆栈#

把文章里的做法摞起来，是这样四层（这是本文的归纳，原文按主题分节，未画成这样的栈）：

第四层的约束是全文最实用的一个工程结论：Claude Code 的自动记忆并不把全部记忆塞进每个会话，只加载 MEMORY.md 的前 200 行（或 25 KB），把这部分当作索引——告诉 Claude「你知道什么、去那里找」。原文还引了自己文档里的一条警告：指令文件越长，遵循度越低。所以顶层要小，dreaming 在顶层的主要工作其实是保持它小：把细节往下挪，只留链接。

三、Dreaming：离线回看，做五件事#

人类的版本是睡眠：海马体在离线时段重放近期经验，逐步蒸馏进新皮层。机器的版本借了 Letta 与 UC Berkeley 提出的 sleep-time compute（arXiv 2504.13171），在两次交互之间的空档里，用算力回看记录、修正错误、产出新的笔记与表征。

五种用法，各有代价：

1. 纠错。宝可梦那次最典型：Claude 把 PokéCenter 记在了东侧（错了），走出门宣布「Mt. Moon 已经过了」，几步之后掉下单向台阶，回到原路上。dreaming 拿这条笔记和会话记录对了一遍，抓到错误并重写；修正后它径直走回洞里，最终到达 Cerulean City。没修正的那次，它掉了三次，写下「我要停下来，不想再循环了」，最后退回前一个城镇，整轮没到目标。
2. 建表征。在 Stainless 的约 35 万个文件、约 4.2 亿 token 的语料上，让 128 个会话轮流写 wiki：分数随着轮数从 13% 涨到 48%。wiki + 搜索的组合把总分从 54% 推到 61%（只有搜索时 53%），每个问题还省了约 2 万 token。
3. 上提注入。把重要笔记顶到每轮开头，Claude 就不用去搜、甚至不需要知道有东西可搜。代价同样明确：注入吃 token，一条错的笔记会被带进每一次会话。
4. 聚焦目标。同一批任务，指令不同，长出来的 wiki 完全不同。合同审查那次，最初的共享表被多个 agent 同时改写、丢了关键条款，生成的简报只覆盖了 57 条事实里的 41 条（72%）。让 Claude 反思失败、改写「怎么建 wiki」的指令之后，每份合同独立成页、逐条引用原文，覆盖率达到 100%。
5. 补缺口。一次会话里写下的链接可能指向还没建的页；第二轮 dreaming 把 9 个断链改指到已有页面，另补了 3 个新页（含一个索引）。

dreaming 把「记错」从一个不可修的问题变成一个可以用算力修的问题，代价是按轮计费，且只在离线生效，修完的东西不会立刻回到当前会话。

四、五组实验，把直觉换成数字#

CL-Bench 1.0：能不能自己闭环。 任务是一个查库答题的序列，每题答完都被告知正确答案，并允许写记忆。四代模型的差别落在记忆的形状上：Sonnet 4.6 写下一堆未经验证的猜测；Opus 4.7 把笔记合并成一份参考文档，开始标注哪些核实过、哪些还没；Sonnet 5 在评分器确认后才标「已确认」，答错就写更正；Opus 5 第一个闭上环——多数条目同时包含一条规则、它怎么知道这规则成立、以及提前发现的陷阱。Opus 5.5 与 Sonnet 5.5 同样闭环。

宝可梦 Red：什么才算值得记。 同一个起点，Sonnet 3.7 写了 413 个记忆文件、225 个文件夹，只拿到 1 枚徽章；Fable 5 写了 9 个文件、2 个文件夹加一个 global.md，拿到 4 枚。差别在判断力：屏幕上每轮都能读到的信息（钱多少、人在哪）记下来是冗余且迅速过期的；而策略、计划、试出来的规则，不写就会消失。Sonnet 3.7 在第 1 万步附近开始建第四套「master」记忆，接下来 17 步里建了 6 个文件、删了 9 个，游戏里一步没走。

固定规则会削弱强模型。 文章试过给模型一条条规定「该记什么」。把规则设成「只记失败」时，Opus 5 与 Opus 4.7 从记忆里拿到的增益都掉了不少。结论是反直觉的：对强模型，给判断的自由比给固定的规则更有效。反过来，引导对老模型最有用：Sonnet 4.6 常常根本不读记忆目录，提示它「先读记忆、再验证假设」几乎让它的分数翻倍；而 Sonnet 5 不用提示，十次里有九次会先读记忆。

表征有时不值。 在 Harvey LAB 的一份并购文档任务上，24 个问题里有超过一半需要跨文档找信息、做判断或算数：consult wiki 时 87%，只用搜索 73%。但在另一份任务上，简报要点都能从单份文档里检索到，wiki 没有明显增益；还有一次，wiki 长得比原文还大——博尔赫斯那篇《论精确科学》里的地图，终于出现在了上下文里。

五、落地指南与避坑#

1. 先分清四层，再动手。把「原始记录（不可改）」和「投影（可重建）」分开。分不开的时候，先加一层存储，不要先加一层模型。
2. 常驻层要小到能当索引。参考 200 行 / 25 KB 这个量级：顶层放「我知道什么、去哪找」，细节往下沉，只留链接。
3. 告诉它记忆用来干什么，别规定怎么记。CL-Bench 上，只说「有一个记忆文件夹可用」就足以让强模型用起来；写死的规则（比如「只记失败」）反而把增益打掉。
4. 给记忆一个能对账的底本。dreaming 之所以能纠错，是因为原始记录还在、且不可改。没有这一层，纠错就变成了两个摘要互相印证。
5. 把「上提」当发布流程。一条笔记一旦进入注入层，就等于进了每一次会话；上提前要有校验，错一条的成本是全体会话。
6. wiki 要设预算。它会自我膨胀；给页数与体积设上限，或者按访问频率决定保持力度。
7. 算出这笔算力账。dreaming 按轮计费。文章的建议是：把 dreaming 聚焦在容易变化的信息上，或者按「记忆被访问的频率」调节奏。
8. 多 agent 共享要防写冲突。合同那次的失败很具体：多个 agent 同时改一张共享表，互相覆盖。改成「一份合同一页、一个 agent 写、逐字引用」就好了。

六、精选视频扩展解读#

以下四个视频都经过链接校验。若嵌入播放器无法加载（网络原因），点标题旁的直链可在新窗口打开。

[英文视频 | Anthropic 官方讲解 · 50 分钟]「Agents that remember」——Anthropic 工程师 Kevin 现场演示如何给 agent 挂一个可 grep 的记忆存储，以及 dreaming 这个后台任务如何像睡眠一样自我整理。 核心要点：① 记忆存储按文件系统组织，读写走 bash/grep；② dreaming 在会话之间批处理最近的 transcript；③ 演示落到「你的第二大脑其实是你和 AI 共享的那份长期记忆」。

[英文视频 | 架构拆解 · AI Native DevCon]「Learning while you sleep: Beyond memory to dreaming」——Anthropic 技术 staff Lamis Mukta 讲上下文工程如何演进到自主记忆架构：从 CLAUDE.md、Skills 的渐进披露，到生产级多 agent 记忆与 out-of-band 的 dreaming。 核心要点：① 生产环境里真正的难点是权限与可移植性；② 组织级上下文适合只读，agent 自己的草稿区才该可写；③ dreaming 的价值在于「在任务之外批处理」，而不是更聪明的提示词。

[中文视频 | 实战架构 · 14 分钟]「构建生产级 Agent Memory 的系统架构」（讲大模型的老杨）——从工程视角把记忆系统当成一套要运维的组件来讲：怎么组织写入、怎么检索、怎么与主流程解耦。 核心要点：① 先把「记什么」和「怎么取」拆成两个模块；② 检索质量决定记忆是否被采纳；③ 先在单机跑通再谈共享。

[中文视频 | 分层机制拆解]「自动记忆来了 - Claude Code 记忆系统详解」（01Coder）——把 Claude Code 的记忆机制从头讲清：CLAUDE.md 这类「你教它的规矩」与 auto memory 这类「它自己写的笔记」分别怎么加载、怎么用才合理。 核心要点：① 两套记忆是互补的，不是替代关系；② 分层加载决定了上下文的成本；③ 用法上要区分「项目约定」与「临时发现」。

七、总结与展望#

这篇研究真正给出的，不是「记忆 = 向量库」这种流行答案，而是一套分层 + 离线审计的工程范式：

• 分层解决容量与成本的矛盾：真而难用的放底下，好用而易错的放顶上，顶层只做索引。
• 离线审计解决正确性的矛盾：模型在会话里只能凭当场判断写记忆，那就让它在会话外用算力对账。
• 判断力优先于规则：越强的模型，越应该把「记什么」交给它自己判断；规则是给老模型的拐杖。

对要构建长周期 agent、或所谓「AI 员工」的团队，这里最值得抄的三条是：不可改的原始层、小而稳的注入层、按访问频率调度的 dreaming。文章末尾也把三个开放问题摊开了：记忆应该在会话内写还是离线写（前者牺牲注意力、后者延迟可用性）、如何保持记忆不过期（全量校验不现实，那就挑易变的）、以及能不能把「会话检索」直接当作记忆的地基。

至于「模型会自己学会记」这件事，这篇文章的态度很克制：判断力确实在变好，但没有模型能真的知道下一轮会发生什么。

参考#

• Anthropic，The components of agent memory：https://www.anthropic.com/research/components-of-agent-memory
• Letta & UC Berkeley，sleep-time compute：https://arxiv.org/abs/2504.13171
• CL-Bench 1.0：https://continual-learning-bench.com/news/cl-bench-1-0/
• Claude Code 记忆文档：https://code.claude.com/docs/en/memory
• Cookbook（dreaming）：https://platform.claude.com/cookbook/managed-agents-cma-dreaming-with-a-dynamic-workflow
• 知识 wiki 示例：https://github.com/anthropics/claude-quickstarts/tree/main/managed-agents/knowledge-wiki