413 个文件，换来一个徽章

413 个文件，换来一个徽章

让两个 AI 各玩一段宝可梦红，各自带一个可以随时读写笔记的文件夹。玩到一万步的时候，一个 AI 的文件夹里有 413 个笔记文件、铺在 225 个子文件夹里；另一个 AI 只有 9 个文件，加上一个总览页。结果：前者拿到了 1 个徽章，后者拿到 4 个。

记笔记最勤快的那个，玩得最差。

这是 Anthropic 11 月 6 日那篇《agent 记忆的组件》里最直白的一组对比。文章系统讲了他们怎么给 Claude 做记忆——包括那个已经被讲了很多的「做梦」机制：让模型在两次交互之间的空闲算力里，重读自己的会话日志，修正错掉的笔记、整理成结构化的知识。做梦这个功能本身五月就作为研究预览上线了，这篇新文章第一次把架构拆开：哪些组件在起作用，各自贡献多少。

记忆是对未来的赌注

文章里有一句值得单独抄下来的话：记忆，偶尔是一种预测。写下一条规则，等于赌「这个模式以后还会出现」。写下一条查证过的事实，等于赌以后的会话会直接信它、不再复查。赌错了——笔记本身错了，或者环境变了笔记过时了——后面每个读到它的会话都会跟着错。

所以记忆系统的核心问题不是「怎么存」，是「存下来的东西靠不靠谱」。Anthropic 用一个数据库问答任务（CL-Bench 1.0）量了这件事：每道题开新会话，唯一例外是能读一个跨会话持久的记忆文件夹。不同代的模型在这个「自己建学习闭环」的考试上拉开了明显的梯度——Sonnet 4.6 只会写一堆没验证过的猜测；Opus 4.7 学会把笔记合并成一份参考文档，标注哪些查证过、哪些还没；Sonnet 5 会等评分反馈后把答案标成「已确认」，错了就写更正；到 Opus 5，才第一次形成完整的闭环——每条记录带着规则、规则的证据、和「这里有坑」的警告。没有记忆的版本做不出这些；有记忆的版本，分数明显更高。

为什么记太多反而变蠢

宝可梦那组对比讲清了机理。游戏状态本身每回合都写在屏幕上：血量、金钱、位置，全都随时可查。Sonnet 3.7把这些也记进笔记，等于抄了一份必然过时的副本——进展越远，副本错得越多，于是它越来越少的注意力花在玩游戏上，越来越多花在整理自己的记忆上。文章里有个细节很传神：一万步附近，它开始建第四个「主记忆」文件夹，接下来 17 步里新建六个文件、删掉九个，游戏本体一步没动。

Fable 5 反过来，只记屏幕上看不到的东西：当前目标、道馆攻略、从失败里磨出来的规则。比如连续七颗精灵球抓一只最容易被抓的鲤鱼王都失败之后，它写下的规则是「连 3 颗失败就改变按键时机（在菜单步骤间加『等待』）——加了等待那一下就抓到了」。这类东西游戏不会告诉你，不写下来就没了。用小得多的记忆文件夹，它跑得远得多。Opus 5.5 同款打法：小文件夹、随打随改，直接通关。

顺带一个反常识的实验结果：给模型立规矩帮倒忙。Anthropic 试过给模型规定「只许记录失败」，结果 Opus 5 和 Opus 4.7 从记忆里拿到的大部分增益直接蒸发了。他们总结出的用法是：告诉模型记忆是干嘛的，别教它怎么用——什么值得记，让模型自己判断。指定具体规则的老式引导只对老模型有效：Sonnet 4.6 被提醒「答题前先读记忆文件、显式检验自己的猜想」后分数几乎翻倍；而 Sonnet 5 不用提醒，十次里有九次自发去读。

做梦：拿日志当标准答案

存下的笔记错了怎么办？这就是做梦的用处。文章里最好读的是一个叫月见山的陷阱：山口有个单向滑坡，走错方向就会滑回原路。Claude 用入口的宝可梦中心当路标，但它在某个会话里把「宝可梦中心在山的哪一侧」记反了。于是它走出建筑，宣布「月见山在我背后」，在笔记里写下「月见山：完成」——然后掉下滑坡，滚回出发那条路。它的导航工具不显示落差，于是它推断「我往西冲过头了」。没有。三次滚回去之后，它写「我打算停在这里，别再循环了」，系统自动回复要求它继续，它就一直退回起点城镇，想补给后再来，整局再没翻过这座山。

然后是对照跑：对含错误笔记的记忆文件夹跑一次做梦——Claude 把笔记和会话原始日志对照，查出错误，重写了那条。带着修正版笔记的 Claude 直接返回山洞，一路走到下一座城。同样的游戏，同样的一步记错，差的就是那次日志复查。会话日志在这里的角色，是记忆断言的标准答案。

维基与地图

做梦还能在多次会话之上搭出更大的结构。Anthropic 拿了 Stainless——他们五月收购的一家软件公司——的内部文档库做实验：三十五万个文件、约四亿二千万 token，让 Opus 5 的 agent 们通过 128 个会话轮流读文件、写互相链接的维基页、合并重复、对着源文件核查。会话数从 2 加到 128，25 道库内问题的得分从 13% 涨到 48%。搜索加维基组合从 54% 涨到 61%，只用搜索停在 53%，而且组合每道题省下约两万 token。

边界也如实摆了。维基赢的是需要跨多份文档拼信息的任务——24 道并购问题上，跨文档的题用维基 87%、纯搜索 73%；但答案就在单份文档里的任务，维基没有增益。还有一次，维基越长越大，最后比原始文档本身还大——文章引了博尔赫斯那句地图绘到跟帝国一样大的寓言：这样的维基什么都没抽象。任务本身的性质决定维基值不值：在一组合同上，最初的维基丢掉了 57 条合同条款里的 16 条（多个 agent 同时写一张共享表格、互相覆盖）；改成每个合同独立成页、条款逐字引用后，57 条全数保住，简报评分从 72% 到 100%。

放在这条线上

上个月写过一篇评测：十一款现成的记忆系统，在多数场景下跑不赢朴素的检索基线——记系统不是越多越好。这篇文章用宝可梦给出了同一件事的另一个证词：413 个文件换一个徽章。两边的结论指向同一个方向——记忆的价值不在存量，在「记的是不是屏幕上查不到的东西」和「错了有没有人改」。做梦承担的正是后半件事：它不更聪明地记，它把记忆当成可以被证据推翻的断言，定期拿日志去检验。文章自己也承认这套东西还年轻：宝可梦的对比每个模型只跑了一次，维基有实打实的算力成本，什么时候该做梦、多久做一次，都还是开放问题。

9 个文件，4 个徽章；413 个文件，1 个徽章。记忆系统的第一课，居然是少记。

*信源：The components of agent memory（Anthropic Engineering，2026-11-06，Lance Martin 执笔）。数字均出自原文：413 文件/225 文件夹/1 徽章 vs 9 文件/4 徽章（宝可梦红）、17 步整理细节、CL-Bench 1.0 代际阶梯、「只记失败」规则实验、月见山对照跑、Stainless 35 万文件/4.2 亿 token/13%→48%/54%→61% vs 53%/省 2 万 token、跨文档 87% vs 73%、合同 41/57→57/57 与 72%→100%；证据边界（单次运行、算力成本、开放问题）出自原文末节。做梦功能于 2026-05-06 Code with Claude 作为研究预览发布。*