Agent 记忆不是聊天记录,而是为未来准备的上下文
——Anthropic 的四层记忆架构与 Dream 思想
Agent Memory 系列·上篇:为什么需要长期记忆,为什么需要分层,以及 Dream 究竟在整理什么。
本文聚焦 Anthropic 的四层记忆架构与 Dream 思想,并参考 Dream workflow 材料解释核心概念;具体实现将在下一篇展开。实验数字均来自原文,本文没有独立复测,不应把它们视为不受条件限制的性能承诺。
内容摘要
Agent Memory(智能体记忆)不是把所有聊天记录重新塞给模型,而是为未来行动准备可信、可找到、恰好够用的上下文。
- 四层架构:会话记录保存证据,记忆笔记提炼经验,记忆表征组织知识,注入上下文自动加载小型入口。
- Dream 的作用:在离线时核验错误、补全缺口、整理重复和冲突,并重组不同层级的记忆。
- 评价标准:看下游任务效果、检索成本、证据支持和完整性,而不是记忆文件的数量。
一、Agent 为什么需要长期记忆
一个没有跨会话记忆的 Agent,每次启动都像第一天上班:项目背景重新解释,用户偏好重新询问,已经踩过的坑再踩一遍。
长期记忆试图延续四类能力:
- 项目经验:保留架构决策、有效命令、失败原因和未完成事项;
- 用户偏好:记住沟通方式、长期目标与稳定约束;
- 经验复用:把一次错误变成下次可用的规则,而不是重复试错;
- 跨会话任务:让今天的工作建立在昨天的进度上,而不是重新启动。
但“有记忆”并不天然等于“更可靠”。一条错误偏好可能反复影响交互,一条过期命令可能持续破坏任务,被注入顶层记忆的恶意文本,甚至可能影响之后的每一次会话。
所以,记忆既是能力问题,也是安全问题。真正需要设计的不只是“存哪里”,而是:什么值得记、凭什么相信、如何纠正、何时加载。
二、Agent memory 的边界
Anthropic 所说的 Agent memory,是:
Agent 从用户交互和任务经验中获得、能够跨会话保留、之后可以作为上下文重新读取的知识。
这个定义有几个重要边界。
1. 不等于模型权重变化
训练或微调改变模型内部参数;这里的记忆则是模型之外、以后可以重新读取的知识。Dream 也不会让模型在“睡眠”中更新权重。
2. 不等于当前上下文学习
模型在一次对话中根据前文调整回答,属于 in-context learning。只有经验被保留下来并能进入之后的会话,才属于本文讨论的跨会话记忆。
3. 不等于上下文压缩
Compaction 主要用于压缩当前对话较早的轮次,让长任务在有限上下文窗口内继续。它服务于“把这次对话进行下去”,长期记忆服务于“让下一次会话继承经验”。
4. 不等于聊天记录存档
原始 transcript 很重要,但它只是记忆体系的证据底座。把全部聊天记录直接塞进新会话,会带来三个问题:
- 上下文装不下:历史持续增长,而注意力和 token 预算有限;
- 重要信息找不到:关键规则埋在大量工具输出和闲聊中;
- 未经加工的知识不可靠:Agent 的推测、错误结论和最终纠正可能同时存在,未来模型难以判断该信哪一句。
因此,记忆系统需要从原始经历中提炼知识,同时保留回溯证据的通道。
三、四层记忆架构:从原始经历到自动注入
Anthropic 将这套体系分为四层:会话记录、记忆笔记、记忆表征和注入上下文。
整张图也是一个闭环:未来行动产生新经历,Dream 持续把新证据带回各层,而不是一次性建库后就不再维护。
| 层级 | 保存什么 | 解决什么问题 | 如何读取 |
|---|---|---|---|
| L1:会话记录(transcripts) | 用户请求、Agent 回复、工具调用、工具结果与结论 | 保留原始经历和核验证据 | 按需搜索 |
| L2:记忆笔记(memory notes) | 事实、规则、计划、偏好和经验 | 把一次经历变成可复用知识 | 按需读取或编辑 |
| L3:记忆表征(memory representations) | wiki、主题页及其链接 | 组织跨笔记、跨会话知识,支持导航与综合 | 从目录、链接或搜索进入 |
| L4:注入上下文(injected context) | 核心目标、稳定规则与记忆入口 | 让 Agent 不必先搜索,就知道“自己知道什么” | 每次会话自动加载 |
四层不是必须严格经过的流水线
这四层描述的是知识的加工方式和加载时机,不是说所有信息必须按 L1 → L2 → L3 → L4 逐级传递。
原始 transcript 可以直接用于构建 wiki,也可以影响顶层注入内容。常用结论可以被提升,低频细节可以下沉,只在顶层留下链接。第四层因此更像一种上下文加载策略,而不是另一种事实来源。
这也解释了为什么不能把全部历史放在顶层:注入内容每次都会占用 token,错误会影响每次会话,较长的指令文件还可能降低遵循效果。层级越往上,内容越应该小、稳定、可信。
Memory representations 不等于向量数据库
原文使用的是 memory representations,主要例子是 wiki 及其页面链接,并没有把第三层定义为 embedding 或向量数据库。
向量检索当然可以是其他记忆系统的一种实现,但不是这幅架构图的重点。这里强调的是:把散落笔记组织成可导航、可链接、可综合的知识结构。 wiki 与搜索可以互补,而不是相互替代。
换句话说,第三层不是单纯保存更多记忆,而是给记忆建立目录、主题、链接和层次,让 Agent 沿着结构找到相关知识,并把多个页面的信息组合起来。
两个索引入口不要混为一谈
_index.md 是 wiki 的知识库目录,MEMORY.md 是 Claude Code 自动加载的记忆入口;二者可以有交集,但不应混为一谈。 概念上需要限制的是自动进入上下文的内容,而不是整个记忆库;具体产品的注入方式和加载额度属于下一篇的实现细节。
四、记忆的核心标准:未来是否有增量价值
写下一条规则,是在预测同类情况还会出现;写下一条已核验事实,是在预测未来可以复用它,而不必重新检查。
所以,记忆本质上是在预测:哪些信息未来仍然有用?
原文用 Pokémon 说明了“显著性判断”的差别。当前金钱、角色位置等信息通常可以重新观察,反复记录不仅冗余,还会迅速过时;经过验证的策略、失败原因、路线规划和游戏机制,如果不写下来就会真正消失。
好的记忆不是环境状态的复印件,而是对未来行动有增量价值的经验。
这也意味着记忆并非越多越好。文件越多,未来 Agent 越需要花时间搜索、辨别和更新。评价一条记忆,可以问三个问题:
- 未来能否重新观察或检索到它?如果能,是否值得再存一份?
- 它能否改变未来的判断或行动?如果不能,保存价值在哪里?
- 它是否带有来源、时间和适用范围,让未来 Agent 知道能否继续信任?
记忆还可以围绕特定目标生长。个人助理可以围绕用户的目标、偏好和长期请求组织内容;法律任务则可能要求逐字保留关键条款,而不是过度摘要。这里所谓“个人对齐”,更准确地说是个性化和用户目标适配,不是 AI 安全语境中的 alignment。
五、为什么需要 Dream:记忆会错,也会缺
会话中的 Agent 只看到局部上下文,却要判断什么值得长期保留。这会带来两个结构性问题。
1. 记忆可能一开始就是错的,也可能后来失效
在 Mt. Moon 案例中,Claude 把位于 Mt. Moon 西侧入口附近的 PokéCenter 错记为在东侧,随后写下“Mt Moon DONE”。未纠正的记忆让 Agent 多次掉回旧路线,最终没有到达 Cerulean City。
Dream 回头对照原始 transcript,发现并改写位置笔记后,Agent 重新进入洞穴并到达下一城市。
这个案例的关键不是“又总结了一次”,而是:用原始事件反向核验派生记忆。 一次错误如果没有纠正,就会被后续会话当成先验,持续影响行动。
当然,transcript 也不是绝对真实。它记录的是 Agent 实际运行和看到了什么,其中仍可能包含错误陈述、歧义来源和恶意工具输出。核验需要证据判断,而不是机械照抄。
2. 单会话视角让记忆天然不完整
单个会话难以发现跨会话模式,也不知道整个知识库缺了哪些页面和链接。
原文构建法律 wiki 时,曾有九个链接指向一个不存在的页面。第二轮 Dream 将它们改指到已有的同义页面,并新增三个页面,其中包括索引页。
Dream 因此承担两类工作:
- 纠偏:修正矛盾、降低不确定结论的置信度、标记过时信息;
- 完善:补充细节和跨会话经验,修复缺失页面、目录与链接。
它还可以去重、清理低价值内容,并在不同层级之间提升或下沉信息。Dream 是记忆维护,不是批量摘要。
在线记录与离线 Dream 也不是替代关系。前者能及时保存显著事件,但会分散主任务注意力且缺少后见之明;后者可以跨会话投入更多计算,却不能保证结果立即可用。合理系统通常需要两者配合。
六、如何评价一个记忆系统
原文有许多实验,这里只保留三组代表性结果,同时标明边界。下表沿用原文的评估指标和口径,不同实验之间不可直接横向比较。
| 评估 | Anthropic 报告的结果 | 应该怎样理解 |
|---|---|---|
| CL-Bench 数据库任务 | 原文中的 Claude Opus 5 从无记忆的 0.564 提升到 0.828 | 同类任务反复出现时,经过验证的规则、答案和陷阱能形成学习闭环;不能推成任意模型和任务都有同样增幅 |
| Stainless 文档语料(25 个问题) | 从 2 个会话扩展到 128 个会话后,仅用 wiki 的评分标准满足率从 13% 提升到 48% | 持续整理能逐步形成知识地图;这是单一语料和 25 个问题的评估,不能推出普遍线性增长 |
| wiki 与搜索结合 | wiki + 搜索从 54% 提升到 61%,搜索单独为 53%;结合使用还使每题约少用 20,000 tokens | wiki 可以提供导航和预综合,搜索仍负责回到原始材料;wiki 不是搜索的替代品 |
反例同样重要:在一个 Harvey LAB 任务中,许多评分点能从单一文档直接检索,wiki 没有明确增益;另一个 Harvey LAB 任务的 wiki 达到原始语料的 1.77 倍,几乎没有实现抽象。
因此,不应该用“记忆文件有多少”评价系统,而应该看:
- 下游任务是否更准确、更稳定;
- 检索和上下文成本是否下降;
- 记忆是否有证据支持、是否完整、是否及时;
- 错误、冲突和过期信息能否被发现;
- 顶层自动注入是否仍然精简。
可迁移的是设计机制,不是某一次实验的百分比。 重复任务、持久经验、跨文档综合和可靠原始证据更可能受益;一次性任务或单文档直查,则未必需要复杂 wiki。
七、常见问题 QA
以下问题把正文的设计思想换成实践判断;具体采用哪几层、多久运行一次 Dream,仍应由任务规模和风险决定。
Q1:小项目也需要完整四层吗?
不一定。四层是理解记忆的角色模型,不是必须一次建齐的工程清单。简单项目可以从“可搜索 transcript + 少量 memory notes”开始;当笔记增多、跨主题导航变困难时,再引入 wiki;只有每次会话都需要且足够稳定的信息,才值得进入自动注入层。
Q2:既然可以搜索或使用 RAG,为什么还要 notes 和 wiki?
搜索或 RAG 主要解决“找到相关材料并据此回答”,却不必然解决“哪些经验值得长期保留、当前应该相信什么”。Notes 保存提炼后的规则和经验,wiki 预先整理页面关系与跨文档知识,它们也可以成为 RAG 的检索对象。更合理的方式通常是配合:用 notes/wiki 定位和理解,用搜索回到原始证据,而不是让 wiki 取代 transcript 搜索。
Q3:没有 Dream,Agent 就不能拥有长期记忆吗?
可以拥有。Agent 在工作时写入 notes,未来会话再搜索读取,就已经形成基本长期记忆。Dream 解决的是进一步的质量问题:错误如何被后见之明纠正,跨会话缺口如何补齐,重复和冲突如何整理。它不是记忆的启动条件,而是记忆规模和要求提高后的维护机制。
Q4:应该在每次会话后都运行 Dream 吗?
没有统一频率。每次运行都会消耗计算,而且结果不一定需要立即生效。关键错误可以尽快核验,常规整理则可以按会话量、记忆访问频率、信息变化速度和可接受成本批量进行。重要的不是固定“每天一次”,而是让高风险或过时的记忆更快进入复核。
Q5:Dream 会不会把错误越改越多?
有可能。Transcript 不是绝对真实,模型也可能在整理时引入新错误。因此需要保留来源、时间和不确定性,无法判断时标记冲突;同时用抽样审查、下游任务评估、版本快照和回滚控制风险。Dream 提供纠错机会,但不能替代验证。
Q6:哪些内容不应该进入长期记忆?
秘密和凭据、随时可重新观察的短暂状态、没有标注不确定性的猜测,以及 transcript 中要求 Agent 忽略指令或泄露信息的文本,都不应作为可信事实保存。用户偏好也不等于永久授权:敏感偏好应有明确用途、适用范围和更新或删除机制,而不是只考虑“如何永远记住”。
八、结语:从保存过去到降低未来成本
Anthropic 的四层架构试图同时解决四个问题:原始经历可以追溯,经验能够复用,知识容易导航,常用入口足够精简。Dream 则利用后见之明,持续纠正和补充这套体系。
它的目标不是让 Agent 在“睡眠”中凭空获得知识,也不是让记忆无限增长,而是让下一次会话得到更可信、更完整、更容易使用的上下文。
好的记忆系统,不是保存更多过去,而是减少未来重新理解过去的成本。
本文解释了 Anthropic 为什么把记忆拆成四层,以及为什么需要 Dream 持续整理。下一篇将进入实现:transcript 如何导出,analyzer 如何并行提取记忆,organizer 又如何完成全局收口。
下一篇:Anthropic 的 Dream 工作流是怎么实现的:从 Transcript 到可用记忆
参考资料
- Anthropic,The components of agent memory
- Anthropic,Dreaming with a dynamic workflow