Anthropic erklärt, wie Claude durch „Träumen“ aus seinen Fehlern lernt
The Components of Agent Memory
Anthropic beschreibt, wie Agenten-Gedächtnis nach dem Vorbild des Hippocampus funktioniert: Wichtiges wird sofort festgehalten, der Rest später in Ruhephasen konsolidiert – bei Claude „Dreaming“ genannt. Im Pokémon-Test schrieb Sonnet 3.7 über 400 Memory-Dateien und holte nur ein Abzeichen, während Fable 5 mit neun Dateien vier Abzeichen schaffte. Bessere Modelle entscheiden selbst, was erinnerungswürdig ist; feste Regeln wie „nur Fehler speichern“ schwächen sie sogar.
Als sieben Poké Balls hintereinander einen Magikarp nicht fingen, notierte Claude: „Wenn 3+ Bälle in Folge scheitern, VARIIERE das Timing (füge zusätzliche ‚Warte‘-Tasten zwischen den Menüschritten ein) – der Fang gelang direkt danach.“
- andai
Nicht sicher, ob das hier erklärt wird, aber aus dem Diagramm (Abb. 10) sieht es so aus, als ob wiki + search das Dreaming schlägt und dass Dreaming nur marginale Verbesserungen zur wiki + search-Konfiguration hinzufügt.
Ich nehme an, dass search viel billiger ist als Dreaming (obwohl es vielleicht von der Zeitskala abhängt?), also klingt das ziemlich wichtig.
- yfontana
Bisher habe ich in jedem Harness, das ich benutzt habe, die automatische Speichererstellung deaktiviert. Claude Code erstellt trotzdem manchmal welche, und ich lösche wahrscheinlich 95 % davon. Die Erinnerungen, die es erstellt, sind fast immer nur für die spezifische Aufgabe relevant, an der es gerade arbeitet. Wenn es eine Aufgabe ist, die ich wieder erledigen muss, dann ja, vielleicht ist das nützlich. Aber das ist meistens nicht der Fall, also lösche ich sie, um den Kontext nicht zu überladen.
Die größte Verbesserung bei den Erinnerungen, die ich gerne sehen würde, ist also eine bessere Einschätzung, welche erstellt werden sollten.
Die Teile über das „Träumen“ erinnern mich daran, dass Agenten-Transkripte eine Menge Informationen enthalten, die meiner Meinung nach derzeit zu wenig genutzt werden. Ich wiederhole einen Rat, den ich hier schon ein paar Mal gesehen habe: Ingestion Sie Ihre eigenen Transkripte in duckdb (Claude Code baut diese Pipeline in etwa 10 Minuten) und machen Sie etwas Datenanalyse damit. Ein paar Ideen, falls Sie nicht wissen, wo Sie anfangen sollen: Schauen Sie sich Tool-Call-Fehler an, um zu sehen, ob Sie häufige verhindern können, prüfen Sie, ob Sie große Cache-Misses haben und was sie verursacht, schauen Sie sich verschiedene Effizienzmetriken im Zeitverlauf an (Token pro $, Codezeilen pro Token usw.) mit Hauptthread vs. Sub-Agenten usw. Ich habe mit dieser Art von Dingen angefangen und bin einigen Spuren zu interessanten Erkenntnissen gefolgt. Zum Beispiel fand ich Hinweise darauf, dass ich dazu neigte, Opus 5.5 / Sol 6.1 ihre Arbeit in zu kleine Einheiten aufteilen zu lassen. Sie haben die Kapazität, an mehr Dingen gleichzeitig zu arbeiten als ältere Modelle, und ich habe das nicht wirklich ausgenutzt.
- bob1029
Ihr Fortschritt in Richtung cerulean chart überzeugt mich ziemlich stark von „kein Gedächtnis“.
Das Wichtigste, was ich bei einem lang laufenden Agenten vermeiden möchte, ist Volatilität. Alles, was ihn schnell in die eine oder andere Richtung drängt, ist im Durchschnittsfall nicht wünschenswert. Zumindest nicht für mich.
- prtmnth
Ich habe einen Skill namens memory-prune, dessen einziger Zweck es ist, eine automatisch erstellte Erinnerung zu nehmen, zu bewerten, ob sie es verdient zu überleben, in Codekommentaren, einer Regel, einer AGENTS.md-Datei im Projekt, der globalen AGENTS.md/CLAUDE.md-Datei gespeichert zu werden oder (und das ist die am häufigsten gewählte Option) überhaupt nicht und gelöscht zu werden.
- 2001zhaozhao
Dieser Artikel ist eine große Bestätigung für das, was ich baue. Ich werde den Artikel definitiv noch ein paar Mal durchgehen, um die Ideen aufzunehmen. Gedächtnissysteme in KIs sind extrem wichtig und meiner bescheidenen Meinung nach kann man viel besser sein als einfach das Basismodell für Gedächtnisverwaltung zu trainieren.