Claude 如何像人类一样做梦与记忆
The Components of Agent Memory
人类在大脑离线时通过海马体巩固记忆，AI 代理也能通过类似机制提升能力。Anthropic 分享了 Claude 如何利用“梦境”（dreaming）在空闲时间重访日志，修正错误并提炼规则。在 CL-Bench 基准测试和 Pokémon Red 游戏中，Claude Opus 5.5 等模型展现出卓越的判断力，它们不再盲目记录所有细节，而是像人类一样只保存关键策略和验证过的规则。通过让模型自主判断什么值得记忆，并借助梦境机制进行自我纠错，Claude 成功构建了可持续进化的长期记忆系统，真正实现了从“单次对话”到“持续学习”的跨越。
记忆偶尔是一种预测：写下规则时，代理便是在预测该模式未来会再次相关。
HN 评论区
49- aszen
这篇文章读起来挺有意思，但把“记忆”定义为对未来自身需求的预测，其实是在回避真正的问题：这些模型无法持续学习，也就是无法更新权重。Opus 5.5 的真实记忆、经验和知识是固化的，再多的 markdown 技巧也改变不了这一点。
我觉得这才是更好的研究方向：
https://research.google/blog/the-sleep-framework-a-new-way-f...
- MASNeo
除非过程完全一致，否则不应该把为人类创造的概念套用在机器上。显然 Claude 不会休息，也不会在不思考时平衡激素和其他化学物质。仅仅因为做梦的某个元素与信息组织有关，并不意味着组织信息就是做梦。
这就像说走路就是太空飞行，因为两者都恰好改变了个体的位置。
- benfortuna
冲突解决固然重要，但我认为大多数记忆模型缺失的是“来源追溯”（provenance）。记忆是被修改或覆盖的，而不是作为任何冲突解决的源头被保留下来。
我正在探索一种基于辩证法的替代方案：https://particulars.fyi/
- yfontana
到目前为止，我在用过的每一个 harness 中都关闭了自动记忆创建功能。Claude Code 有时还是会创建一些，而我大概会删除其中 95%。它创建的记忆几乎总是只与当前正在处理的具体任务相关。如果是一项我需要反复做的任务，那确实可能有用。但大多数情况并非如此，所以我选择删除它们，以免 clutter（杂乱）上下文。
因此，我最希望看到的记忆改进是：在判断哪些记忆值得创建时，能更明智一些。
关于“做梦”的部分让我想到，Agent 的转录记录（transcripts）里包含海量信息，我觉得目前这些信息的利用率还很低。我会重复在这里见过几次的建议：把你的转录记录导入 duckdb（Claude Code 大概 10 分钟就能搭建好这个管道），然后做一些数据分析。如果你不知道从何入手，这里有一些思路：查看工具调用失败的情况，看看能否预防常见的错误；检查是否有大量的缓存未命中（cache misses）以及原因是什么；对比主线程和子 Agent 的各种效率指标随时间的变化（例如每美元的 token 数、每 token 生成的代码行数等）。我就是从这类事情开始的，结果顺着一些线索发现了一些有趣的洞见。例如，我发现迹象表明，我倾向于让 Opus 5.5 / Sol 6.1 把工作划分成过小的单元。它们有能力同时处理更多任务，而旧模型做不到，但我并没有充分利用这一点。
- prtmnth
我有一个叫 memory-prune 的技能，它的唯一目的就是：拿一个自动创建的内存，评估它是否值得保留，然后决定是将其存入代码注释、规则、项目中的 AGENTS.md 文件、全局的 AGENTS.md/CLAUDE.md 文件，还是（这也是最常被选中的选项）完全不保留并直接删除。