Michael Johnson如果 AI 智能体记住了错误事实，它可能会在下一次会话中自信地重复同一个错误。Anthropic 于 2026 年 11 月 6 日发表的一项研究，介绍了一种在任务之间复核记录的方法：智能体将记录与此前工作的日志进行比对，修正不准确之处，并整合有用信息。该公司把这一后台流程称为“梦境”。
对于设计长期运行的智能体的人来说，实际启示是：评估记忆不应看保存了多少条笔记，而应看系统能否核查信息来源、更新已经变化的内容，并从庞大的档案中找到所需信息。Anthropic 的实验既展示了这种方法的益处，也指出了记忆开始妨碍工作的情形。
研究人员所说的智能体记忆是什么
在记忆组件说明中，Anthropic 将记忆定义为从过往互动和任务中获得、并以智能体可访问的上下文形式跨会话保存的知识。这是系统中的一个独立层：它指的是笔记、文件、索引和其他外部表征，而不是修改模型参数，也不是对当前对话进行普通的简短总结。
这套机制由多个层次构成。日志或逐字稿记录事件；笔记提炼单独的观察结果；wiki 等关联式表征按主题汇集信息；更精简的顶层内容则可以预先加载到新会话中。智能体必须决定保存什么、哪些内容稍后核查，以及哪些内容应立即提供给下一次运行。
最后这个选择尤其困难：事件的重要性往往只有在智能体看到后续发展后才会显现。因此，Anthropic 研究了将会话内工作与后台处理分开的做法。执行任务时，智能体留下日志和笔记；之后，单独的处理流程可以重新审视它们、比对来源并更新记忆结构。
如何检验这一机制
该公司没有只采用一项通用测试，而是描述了几种任务：回答知识库问题、游玩《Pokémon Red》、根据企业文档创建 wiki，以及根据交易条款准备法律简报。这些任务检验了记忆的不同功能：跨会话保留规则、筛选有用细节、纠正错误，以及整合多份文档中的信息。
在一项数据库任务中，每个问题都从一个新会话开始。会话之间只保留一个供模型访问的记忆文件夹。研究人员比较了使用和不使用记忆时的表现，也观察了模型如何生成记录。Anthropic 指出一个重要区别：一条包含已核实规则及其来源说明的笔记，可能帮助智能体回答下一个问题；而一堆未经核实的猜测，并不能构成可靠的学习循环。
在另一项实验中，智能体根据约 35 万份内部文档构建 wiki，文档总量约为 4.2 亿个 token。随后，128 个连续会话补充并核查页面、修正关联关系并合并重复内容。评估使用了 25 个有关该文档库的问题。这是一项针对特定文档集的狭义实验任务，并非对所有智能体记忆能力的通用评估。
实验结果
在知识库任务中，记忆提高了多个模型的平均成绩。例如，Opus 5.5 的平均标准完成率从不使用存储时的 0.655 升至使用存储时的 0.838；Sonnet 5.5 则从 0.644 升至 0.833。不过，结果取决于模型如何使用记录：Claude Sonnet 4.6 常常在回答前不读取记忆文件，而 Opus 5.5 和 Sonnet 5.5 更善于总结经过核实的规则，并在之后使用这些规则。
《Pokémon》实验显示，过度归档会付出代价。在一次运行中，Sonnet 3.7 创建了 225 个文件夹、413 个文件，记录了大量遭遇、道具和角色信息。这些信息中有相当一部分很快就会过时：游戏中的位置和状态不断变化，智能体还要花费操作来梳理和重建记录。在另一项对比中，当进度约为 1 万步时，Fable 5 使用了两个文件夹中的九个文件，以及一个独立的总览文件。据 Anthropic 介绍，Fable 5 获得了四枚徽章，而 Sonnet 3.7 只获得一枚。
一个特别直观的例子涉及一条错误笔记：它称 Pokémon Center 位于 Mt. Moon 洞穴附近。智能体以为自己已经穿过洞穴，因此反复回到先前的路线。后台流程将这条笔记与行动日志进行核对，发现错误并将其改写。之后，智能体回到入口并抵达 Cerulean City；未修正记录的版本则被困在先前的路段。这里的“梦境”发挥了检查历史记录的作用，而不是随意添加新事实。
在大型 wiki 实验中，随着 wiki 逐步构建，针对 25 个问题的标准评估成绩从 13% 升至 48%。另一项单独对比中，不使用搜索的 wiki 得分为 48%；将 wiki 与搜索结合使用后，成绩从 54% 升至 61%，而不使用 wiki 的搜索得分为 53%。在这项实验中，wiki 更像是搜索之上的关联地图和主题层，而非原始文档的替代品。
为什么更多记忆未必更好
一条记录其实是对未来的预测：智能体判断所保存的信息之后还会用到。这种预测可能过时、可能错误，也可能重复当前环境中直接可见的信息。在游戏任务中，角色位置可以从屏幕上直接看到；而推导出的策略或经过核实的规则，则无法在不重新推理的情况下以同样方式获得。
文档实验揭示了另一类风险：结构错误。多个智能体同时将合同条款汇总到同一页面，并相互覆盖表格中的部分内容。结果，wiki 包含 57 个可核查事实中的 41 个，而第一版简报满足了 72% 的评估标准。后来，研究人员为每份合同单独创建页面，并要求逐字保留重要条款，简报便达到了 100% 的标准。对于具有法律效力的措辞，保留原文引述及其原始文档链接，比概括性转述更有用。
最后，构建 wiki 并不总是值得投入成本。在一个答案都能从单份文档中找到的任务里，Anthropic 没有发现它相较于普通文本搜索有明显优势。另一项测试中，创建的 wiki 甚至比原始文件还大。这些结果指向一条清晰的适用原则：当问题经常需要关联多个来源中的信息时，复杂结构才有必要；对于简单的搜索请求，它可能增加维护成本，却不带来显著收益。
智能体设计可借鉴什么
研究结果支持一种由三部分组成的实用架构。首先，保存原始日志，使笔记有可核查的依据。其次，提炼关于结论、规则和计划的精简记录，并注明其来源及是否经过核实。最后，定期运行独立流程，查找记录中的矛盾、修正关联并重建索引，同时避免用自己的转述替代原始材料。
对于会变化的信息，可以保存日期或有效情境，并在再次使用时核查记录。对于稳定知识，则应保留来源和佐证。每次会话的通用上下文中只应加载简短索引：Anthropic 特别指出，加载指令会占用上下文窗口，而错误笔记如果被自动加入每次运行，就可能反复传播错误。
这项研究的核心启示是：智能体记忆的价值来自筛选和维护，而非不断积累。档案提供历史，搜索找到所需片段，结构化笔记关联反复出现的规则，后台核查则让结论重新回到一手证据。正是这种可核查的联系，才能把过往经验转化为下一次会话可用的资源。
