工程筆記

Anthropic 推出新一代 AI 代理記憶機制與 Dreaming 功能：實現持續自我學習

AI Engineering 2026/08/5 閱讀約 6 分鐘更新 2026/08/5

大型語言模型（LLM）的能力在過去幾年飛速提升，AI 代理（Agent）如今已經能夠執行長達數小時甚至數天的複雜任務。我們見證了 MCP (Model Context Protocol)、工具呼叫能力以及各種 Agent SDK 的誕生。然而，Anthropic 平台團隊產品經理 Mahesh 在近期的發表中指出，要讓代理系統邁向真正的「持續自我學習（Continuous Self-learning）」與長週期的上下文管理，下一個不可或缺的底層元件是記憶（Memory）與作夢（Dreaming）機制。

當開發者開始在企業環境內部署數以千計的並行代理時，他們面臨了同樣的瓶頸：各個 Agent 就像是一次性運作的運算節點，無法從同伴的錯誤中學習，也無法在單次會話（Session）之外有效累積對專案環境的認知。Anthropic 透過新推出的 Memory API 以及研究預覽階段的 Dreaming 功能，為這個痛點提出了系統性的解決方案。

為什麼我們需要強大的記憶機制？

對於持續運行的 Agent 而言，Memory 是讓它們能夠進化的關鍵。透過記憶，Agent 能夠了解任務的成功標準、記錄常犯錯誤，並評估不同策略的有效性。同時，它們可以學習其所處的環境，例如持續互動的程式碼庫（Codebase）、文件狀態以及各種依賴項。

更重要的是跨代理（Cross-agent）學習：在同一個環境中，代理能夠共享彼此的經驗。例如，Rakuten 在導入這套記憶系統後，由於 Agent 能夠捕捉並分享錯誤資訊給下一代 Agent，使得內部知識代理的「首次執行錯誤率」大幅下降了 90%。這不僅提高了智能表現，也顯著節省了 Token 消耗與系統延遲。

Frontier Memory System 的三大設計要求

為了支援多代理系統的擴展，Anthropic 在設計 Claude Managed Agents 的 Memory API 時，遵循了三個核心設計原則：

1. 預設最大化智能（Maximize Intelligence by Default）

早期的代理記憶往往受限於僵化的工具呼叫或使用者手動註記。然而最新模型（例如 Claude Opus 4.7）已具備卓越的「基於檔案系統的記憶」能力。Anthropic 選擇放權，將記憶抽象化為一個虛擬檔案系統，讓 Claude 能夠透過其最擅長的 bash 與 grep 工具，自主決定哪些內容值得記錄、該如何拆分檔案以及如何組織目錄結構。

2. 支援大規模多代理並行（Scale with Multi-Agent Systems）

企業環境中通常有數百個 Agent 同時運作並存取共享狀態。此系統導入了兩個關鍵屬性：

權限範圍（Permission Scopes）：代理可以對「組織級知識庫」（如 SOP 或最佳實踐）設定為唯讀，而對「特定任務的工作區」設定為可讀寫，藉此避免核心知識被意外覆蓋。
樂觀並發控制（Optimistic Concurrency）：利用內容雜湊（Content Hash），代理在更新記憶前會先檢查狀態是否已被其他代理修改，以避免資料衝突。

3. 企業級控制力與獨立 API（Enterprise Control & Standalone API）

為了達到正式環境的標準，開發者必須具備完整的控制力。這套 API 提供了詳盡的版本歷史紀錄（Version History）與歸屬中介資料（紀錄哪個 Agent、在哪個 Session、什麼時間修改了記憶）。此外，獨立的 API 設計確保企業能在 Managed Agents 系統外介入處理，例如進行 PII（個人識別資訊）掃描過濾，或是將記憶匯出至外部的治理管線中。

什麼是 Dreaming（作夢）機制？

儘管同步操作的 Memory API 解決了單一代理的記憶存取問題，但在大規模多代理系統中，Anthropic 發現仍然存在效率瓶頸：個別 Agent 往往受限於自身的任務視角，難以察覺整個系統中的宏觀模式，也容易出現冗餘記錄。

為此，Anthropic 引入了 Dreaming（作夢） 過程。這是一個非同步的背景批次處理機制（Batch Asynchronous Process）。你可以設定在特定時間或在任務結束後觸發 Dreaming。它會全面檢視近期多個 Agent Session 的對話日誌（Transcripts），找出共同的錯誤與有效的策略，自動對記憶庫進行清理、去重與知識驗證。

Dreaming 的實際效益與運作模式

在一項由 Harvey 進行的法律場景測試中，部署 Dreaming 機制讓該場景的任務完成率躍升了 6 倍。在 SRE（網站可靠性工程）的自動化除錯情境中，Dreaming 的威力更加明顯：

當系統連續數次觸發 CPU 負載警報時，不同的 SRE Agent 分別進行調查並記錄結果。夜間的 Dreaming 工作會分析這 7 天來的日誌，發現多個 Agent 都在遭遇「上游 CPU 突增後 60 秒的重試延遲模式」。由於單個 Agent 只看到自己那一次的延遲，無法歸納出 60 秒的規律；而 Dreaming 能夠統整這些跨 Session 的模式，自動寫入一則經過驗證的系統除錯指南。隔天新的 Agent 遇到相同警報時，就能直接讀取此結論，避免重複調查。

對工程與企業的實務建議

分離任務與記憶目標：利用 Dreaming 這類「帶外（Out-of-band）」機制，可以讓執行具體任務的 Agent 專心解題，將維護記憶品質（Memory Quality）的目標交由背景程序處理，避免兩者的 Prompt 互相干擾。
利用運算資源換取智能（Scaling with Compute）：如同測試時運算（Test-time Compute）能提升推論品質，Dreaming 也讓 Agent 透過消耗額外的 Token 來換取整個系統長期穩定的認知基礎。這在大規模企業代理中是必要的投資。
從儲存走向知識網絡：隨著系統運行，Memory Store 應該被視為一個動態更新的知識庫，而非靜態的工作狀態暫存區。設計良好的版本控制與歸屬機制將會是你除錯代理行為的最後防線。