同一个《宝可梦・红》，两种打法，结局天差地别：一个 AI 勤恳地记下 413 个文件、建起 225 个文件夹，玩到一万步只拿到一枚徽章；另一个只维护 9 个文件，徽章数是四枚。记得少的，反而走得远。
这组对比出自 Anthropic 的一篇研究文章。团队在文中复盘了为 Claude 构建记忆系统的全过程，穿插多组实验，逐一拆解每个组件的贡献。他们给出的核心判断有些出乎意料：智能体想拥有好记性，光靠任务进行中随手记笔记远远不够，还得让它在闲下来时回头审视自己的记录——修错、提炼、重组，业内把这个过程称作「做梦」。
「做梦」的说法并非修辞游戏，它对应着人脑的工作方式。神经科学里，海马体负责即时捕捉生活中的经历，让记忆快速成形、随取随用；但并非所有经历都能沉淀为长期知识，只有被标记为重要的一部分才会进入巩固环节。巩固大多发生在离线状态——入睡或静息时，海马体会反复回放近期经历，把它们逐步提炼、写入新皮层，那里是大脑存放知识的主仓库。
智能体的记忆可以套用同样的分工。AI 干活时会留下大量日志和对话记录，相当于海马体的即时捕捉；至于离线整理，Letta 和 UC Berkeley 的研究者提出过「睡眠时计算」（sleep-time compute）的概念——模型利用交互间隙的空闲时间重组已有上下文。把这套思路用于记忆，就是让 AI 在闲下来时翻检日志、修正错误、产出新笔记，行业里通称「做梦」（dreaming）。
先把概念框清楚。Anthropic 谈的智能体记忆，特指 Claude 从经验中获得的知识，包括与用户的交互、被指派的任务，以及跨会话保留的内容。三类「学习」不在此列：训练时调好的模型权重、单次对话内的上下文学习，以及压缩（compaction）——Claude 把旧对话轮次写成摘要，以便在新的上下文窗口里继续干活。
在 Anthropic 看来，记忆很多时候是一种对未来的押注：写下一规则，等于赌这个模式日后还会用上；记下一条验证过的事实，等于赌未来的自己会直接取用、不再二次核对。团队用 Continual Learning Bench 1.0（CL-Bench）检验这种押注能力。这个基准考察智能体借助记忆完成长程任务的水平，其中一道题的玩法是：Claude 查数据库回答一系列问题，每答完一题会收到正确答案，然后可以写一条记忆帮助后续作答。运转良好的话，这里能形成学习闭环——记录失败、提出「哪里错了」的假设、验证假设、把结论固化成一条面向未来的答题规则。实验跑在 Claude Managed Agents 上，每道题都从全新会话开始，唯一的例外是它能读取一个跨会话保留的记忆目录。
闭环能否跑通，在模型代际之间差别悬殊。Sonnet 4.6 走到「提出假设」就停了，记忆目录里散落着一堆文件，塞满未经检验的猜测；Opus 4.7 把笔记整合成一份参考文档，开始区分哪些事实查证过、哪些没有；Sonnet 5 会在评分器批改后把答案标为「已确认」，出错就补一条更正；Opus 5 是第一个跑通闭环的，它的大多数条目同时包含规则本身、规则的依据、此前问题的答案，以及沿途踩坑的明确警告；到了 Opus 5.5 和 Sonnet 5.5，两个模型都能闭环，靠记忆沉淀出经过验证的答题规则，带记忆的得分与 Opus 5 大体持平——何况它们的无记忆基线本来就略高。
怎样「指挥」Claude 写记忆，Anthropic 也摸出了门道：讲清记忆是干嘛的，有用；规定具体怎么用，反而多余。CL-Bench 上，他们只丢给模型一句「有个记忆文件夹可用」，这点笼统提示已足以让 Opus 4.7 和 Opus 5 把记忆用出明显增益。他们也逐条测试过具体规矩，比对有无规矩时记忆收益的变化，结果当规矩是「只记录失败」时，Opus 5 和 Opus 4.7 都丢掉了大部分增益——对足够强的模型而言，让它自己掂量什么重要，好过用事先定死的规则捆住手脚。
引导的收益在老模型身上最明显。Sonnet 4.6 经常根本不读记忆目录，也不验证自己关于「答错原因」的猜测；只加一句提示——答题前先读记忆文件、明确验证假设——它的基准得分几乎翻倍。Sonnet 5 则无需人催：无人提示时，它十次里有九次会主动先读记忆再答题，Sonnet 4.6 做到的次数不到一半。基于这些观察，Anthropic 现在对前沿 Claude 模型只给简单指引：有人要求记录、或出现明确值得记的内容时，就建一条记忆笔记，其余判断交给模型。
「什么值得记」的判断力，在《宝可梦・红》里展现得最直观。这款游戏需要导航复杂的长程任务，徽章数代表进度，每次开局，模型都会拿到一个可读写的记忆文件夹，考验的正是它往里放什么、不放什么。
那位记了 413 个文件的玩家是 Sonnet 3.7。它的策略是宁可错记、不可漏记：每场战斗建一个文件，每捡一件道具建一个文件，每遇到一个 NPC 也建一个文件，413 个记忆文件最终摊在 225 个文件夹里，换来的只有一枚徽章。麻烦在于，宝可梦的游戏状态瞬息万变，这份巨细靡遗的记录不断过时，越往后，Claude 花在翻找记忆上的资源越多，留给游戏本身的越少。一万步左右，它开始搭建第四套「主」记忆文件夹——接下来 17 步里，它新建六个文件、删除九个，游戏里一步没挪。
记得少的赢家是 Fable 5：9 个文件、2 个文件夹，外加一个顶层 global.md，拿了四枚徽章。它的取舍标准很明确——只记游戏画面不会直接告诉你的东西。玩家有多少钱、站在地图哪个位置，屏幕上每回合都显示，存下来纯属冗余；而策略、计划、验证过的规则，不写下来就彻底消失。它的记忆结构是：global.md 充当仪表盘，放当前目标、打道馆的预写计划和自定的记忆使用规则；locations 文件夹存放各条路线的导航方案；gameplay 文件夹沉淀摸索出的游戏机制。一个典型条目是：连续七个精灵球都没抓到鲤鱼王——游戏里最容易捕捉的目标之一——之后，它写下「若连续三次以上失手，改变按键节奏（在菜单步骤之间插入额外等待）」，并注明照做后立刻得手。Opus 5.5 走的也是类似路线，凭一小叠边玩边改的笔记追踪当前目标和下一步，最终通关。
笔记写错了怎么办？Claude 写记忆，靠的是会话当下对「什么重要」的判断。一条开篇就错的笔记，或随环境变化慢慢失准的笔记，可能在后续会话里被翻出来，并被照单全收。做梦给了它一个把笔记放回原始记录旁核对的机会——宝可梦实验里有个完整案例。
游戏中有一段要穿越月见山——一个山洞系统，西侧进、东侧出，入口附近埋着陷阱：一段单向下坡，踩上去就滑回原路，再也爬不回来。Claude 一直拿山口的宝可梦中心当路标，于是它会不会掉下那个坡，取决于它以为宝可梦中心在山的哪一侧。某一刻，它错误地记下「宝可梦中心在东侧」，走出中心时宣布「月见山在我身后了」，还顺手更新笔记：「月见山，搞定。」可山根本不在它身后。几步之后，它滑下那个坡，回到来时的路；导航工具没有显示这段落差，它便推断「我朝西走过头了」——而它其实一直站在正确的一侧。
为验证做梦能否化解这类错误，团队对那份存着错误位置的记忆文件夹跑了一次做梦流程：Claude 把笔记与原始会话记录逐一对照，抓住了错误并重写笔记——记录在这里充当标准答案。拿着更正后的笔记，它径直折返月见山，最终抵达华蓝市。对照组的命运则差得多：凭错误笔记行进的路线里，它三次滑回原路，第三次失败后似乎放弃了，写道「我还是停下吧，别再循环了」；实验装置的自动回复让它继续，它便一路退回山前的尼比市打算回血补货，这一轮直到结束都没能走到华蓝市。
做梦的用途不止纠错。它还能搭建一些帮 Claude「逛」记忆的表征，wiki 是其中一种：一组由 Claude 撰写和维护的页面，聚拢它对某个主题的了解，并以链接指向其他笔记。这些链接相当于一张地图，让 Claude 在需要时快速定位记忆。
团队拿内部文档语料库做了测试——语料来自 Stainless，一家他们五月收购的软件公司，约 35 万个文件、4.2 亿 token。他们准备了 25 道关于这批文件的问题，给 Claude 配上搜索工具，同时让它借助做梦搭建 wiki。128 个会话里，Opus 5 智能体们翻检文件、撰写或更正互链页面、合并重复条目、拿论断核对原文，每个会话在前一个的进度上继续，靠共享日志协调。做梦规模从 2 个会话扩到 128 个，25 道题达成的评分标准比例从 13% 升至 48%。
wiki 的搭建是渐进式的：先出初版，再靠一轮轮做梦增补、编辑、修剪。做梦早期，Claude 的知识像刚入职的新人，光靠 wiki 答题能力有限；梦做得越多，知识地图越接近熟手的水平。数据也印证了 wiki 与搜索的互补：搜索加 wiki，总分从 54% 提到 61%；只用搜索是 53%；只用 wiki 最好成绩 48%；组合还让每道题省下约两万 token。
什么任务更吃 wiki 这一套？团队用 Harvey LAB 基准加一批并购文件做了实验：给 Claude 一组文件生成法律简报，按标准清单打分——没宝可梦好玩，但文档种类足够多样。24 道并购问题中，过半需要跨多份文件搜集信息，不少还要动用判断力或计算。这类题上，查 wiki 的 Claude 得分 87%，只用搜索只有 73%。
但 wiki 有时也会帮倒忙。另一个 LAB 任务里，简报的评分点在单一文件内就能直接搜到，wiki 相对搜索没有明显优势。还有个任务更极端：语料只有 10 份文档、115KB，wiki 却膨胀到 68 页、203KB，达到语料的 1.77 倍——博尔赫斯那篇只有一段话的小说《论科学的精确性》里，地图师画了一张与帝国等大的地图；Claude 这次交出的，正是一份细致到什么都没抽象出来的 wiki。
记忆的生长方向同样可以被做梦塑造。像 Claude Duet 这类助手，记忆围绕被帮助者组织往往更有用，做梦因此可以被调成「为特定目标服务」的建记忆模式。LAB 基准里有个模拟公司收购的任务：给一批合同，简报按是否准确描述合同条款打分。最初建 wiki 的指令很基础，没交代 wiki 的用法，而这个任务恰恰重度依赖合同条款——多个智能体同时往一张共享的合同条款表里写，互相覆盖，汇总质量差，条款还有遗漏。用这份 wiki 生成的简报，57 个评分事实只覆盖 41 个，覆盖率 72%。
条款明明是 wiki 里最要紧的部分，指令却只字未提。团队于是跑了一个循环：让 Claude 反思失败、提出指令修改方案、重建 wiki。Claude 自己发现了合同条款的分量，把建 wiki 的指令改写为：每份合同单独成页，由单个智能体撰写，条款逐字引用而非汇入共享表。改进版 wiki 生成的简报，评分标准覆盖率从 72% 升到 100%。
做梦还能补上单个会话留下的缺口。Claude 写记忆笔记时只看得见当前会话的上下文，做梦则能横跨多个会话检索，发现共性模式、纠正共性错误。建 LAB 基准的 wiki 时，Claude 有时会链接到尚不存在的页面；第二轮做梦补上了不少漏洞——某个任务里，做梦发现九个链接指向一个不存在的页面，将它们全部重定向到同一份文档的现有页面，还新增三个页面（含一个索引页），把 wiki 织得更密。
笔记还可以被做梦送上记忆层级的顶端，由智能体框架在每次会话开始时预加载进上下文——这意味着 Claude 无需搜索，甚至无需知道「有东西可搜」。但注入必须克制：记忆挤占宝贵的 token，一条错笔记会被带进每一个会话；加载了也不保证 Claude 照办，Claude Code 的文档就警告过，指令文件越长，遵守度越低。所以层级顶端必须小而精，做梦在这里的很大一部分工作是「维持它小」：把细节下沉到下层，只留链接。Claude Code 的自动记忆用的正是同一套逻辑：不整体加载，只取 MEMORY.md 的前 200 行或 25KB，这部分相当于一张索引，标明 Claude 都知道些什么、该去哪里找。
这份研究也列出了几道尚无答案的难题。什么时候建记忆是一处权衡：边干活边写，能在源头抓住「什么重要」，让关键细节立刻可用，但记笔记本身会分散 Claude 对主任务的注意力；推到后台的做梦不占用当下的算力，产出却未必赶得上需求。怎么让记忆可靠地保鲜是另一处：Claude 会做出错误预测，写下开篇即错的规则，记忆也会随环境变化漂移、失效；做梦可以修正，但让它不停检查所有记忆并不现实，更可行的路子也许是把做梦对准易变的信息，或按记忆被访问的频率调节做梦节奏。还有一种思路是把记录检索当作整个记忆系统的地基——wiki 这类表征配上搜索有时确实奏效，只是维护表征需要持续的算力投入，还得防止错误与幻觉在里头日积月累。
