Anthropic: így épül fel az agent memóriája

Mi számít agent memóriának?

Az Anthropic 2026. november 6-án tette közzé a kutatást. Agent memórián azt a tudást érti, amit a Claude a tapasztalatból szerez, felhasználói interakciókból és feladatokból. Ezt munkamenetek között is megtartja, később olvasható kontextusként elmentve.

Nem tartozik ide a súlyok változtatása, az egyetlen beszélgetésen belüli tanulás (in-context learning) és a compaction, amikor a Claude összefoglalóval váltja ki a régebbi köröket, hogy új context window-ban folytathassa a munkát.

Az élő munkamenetben a modell jegyzeteket írhat egy memóriatárba, például egy mappába. Az idle időben pedig visszamehet a naplókra: javíthat hibás jegyzeteket, újakat írhat, vagy új reprezentációkat építhet. Ezt a folyamatot dreamingnek, álmodozásnak nevezik. A Letta és a UC Berkeley sleep-time compute javaslatára hivatkoznak.

A memória jóslat a jövőről

Egy szabály leírása azt jósolja, hogy a minta később is kell majd. Egy ellenőrzött tény feljegyzése azt jósolja, hogy egy későbbi munkamenet támaszkodni akar majd rá anélkül, hogy újraellenőrizné.

Ezt a Continual Learning Bench (CL-Bench) 1.0 egyik adatbázis-feladatán nézték. A Claude minden kérdést friss munkamenetben kapott, egyetlen kivétellel: olvashatta a kérdések között megmaradó memóriamappát. A válasz után megkapta a helyes megoldást. Ezután írhatott emlékeztetőt a későbbi kérdésekhez.

A modellek eltérő szinten zárták ezt a tanulási hurkot. A Claude Sonnet 4.6 eljutott odáig, hogy elméleteket gyártott a hibáiról, de a mappája szétszórt fájlokat és tesztelatlan tippeket tartalmazott. Az Opus 4.7 egyetlen referenciadokumentumba rendezte a jegyzeteit. Jelölte azt is, mit ellenőrzött. A Sonnet 5 a pontozó után megerősítettnek jelölte a helyes választ, hibánál pedig korrekciót írt.

Az Opus 5 volt az első ezek közül, amelyik bezárta a hurkot: a bejegyzéseihez szabály, a szabály forrása, korábbi válaszok és a felfedezett csapdákról szóló figyelmeztetések tartoztak. Az Opus 5.5 és a Sonnet 5.5 szintén bezárta a hurkot. Memóriával nagyjából ugyanott végeztek, mint az Opus 5, noha memória nélkül a kiinduló teljesítményük kicsit magasabb volt.

Mit érdemes megjegyezni? A Pokémon-teszt

Azt is nézték, mire tartja a Claude elég fontosnak, hogy elmentse, miközben Pokémon Redet játszik. Kb. 10 000 lépésnél a Sonnet 3.7 413 memóriafájlt írt 225 mappába. Egy jelvényt szerzett. Szinte mindent feljegyzett, a játékállapot viszont folyamatosan változott, így a részletes archívum elavult. Egy ponton a modell 17 lépésen át hat fájlt hozott létre és kilencet törölt, miközben a játékban egyetlen akciót sem tett.

A Claude Fable 5 ugyanezen a szakaszon kilenc fájlt tartott két mappában, plusz egy felső szintű global.md-t. Négy jelvényt szerzett. Olyasmit írt le, amit a játék nem mond ki magától: stratégiát, terveket és kipróbált szabályokat. A képernyőről minden körben leolvasható adatot (pénz, pozíció) nem tárolta feleslegesen. Az Opus 5.5 hasonlóan szűk mappát tartott. Végigvitte a játékot.

Irányítás: a miértet mondd el, ne az eljárást

A labor szerint a frontier Claude modelleknél az működik, ha elmondod, mire való a memória, de nem írod elő, hogyan használja. A CL-Bench-en elég volt közölni, hogy van egy memóriamappa: ez az Opus 4.7-nek és az Opus 5-nek már látható lökést adott.

Amikor azt a szabályt adták, hogy „csak a kudarcokat jegyezd fel”, az Opus 5 és az Opus 4.7 is elveszítette a memória nagy részét. Az erősebb modelleknél a salience megítélésének szabadsága jobb volt, mint az előre rögzített szabály.

A gyengébb, régebbi modelleket viszont segítette a szorosabb terelés. A Sonnet 4.6 gyakran nem olvasta a memóriafájljait. Az elméleteit sem tesztelte. Ha arra kérték, hogy válasz előtt olvassa el a memóriát, majd explicit módon tesztelje a tippjeit, a pontszáma nagyjából megduplázódott. A Sonnet 5 ezt magától is megtette: tízből kilencszer olvasta a memóriát válasz előtt, a Sonnet 4.6 kevesebb mint az esetek felében.

A dreaming javít, épít és feljebb emel

Mivel a jegyzet a pillanatnyi salience alapján születik, egy eleve hibás vagy később elavuló feljegyzést a következő munkamenet készpénznek vehet. A dreaming a jegyzetet az eredeti transzkriptumhoz tudja hasonlítani.

A Pokémonos Mt. Moon példában a Claude tévesen azt írta fel, hogy a PokéCenter a hegy keleti oldalán van, kijelentette, hogy a barlang kész. Ezután egy egyirányú párkányon visszazuhant a kiinduló útra. Amikor a dreaming ellenőrizte a jegyzetet a transzkriptummal, javította a hibát. A javított memóriával a modell visszament a barlangba. Eljutott Cerulean Citybe. A javítatlan jegyzettel háromszor esett vissza, végül feladta volna a kört. Nem jutott túl a hegyen. Memória nélkül sem.

A dreaming wiki-szerű oldalakat is építhet, belső linkekkel, hogy a modell később könnyebben megtalálja, amit tud. Egy belső, nagyjából 350 000 fájlos (kb. 420 millió tokenes) Stainless-korpuszon, 25 kérdéses értékelésen 128 dreaming-munkamenet után a csak wikire támaszkodó teljesítmény 13%-ról 48%-ra nőtt. Kereséssel együtt a wiki növekedésével az összesített pont 54%-ról 61%-ra ment fel, míg a csak keresés 53% volt. Kérdésenként kb. 20 000 tokent spórolt.

Nem minden feladaton segít a wiki. Egy céges felvásárlásról szóló, 24 kérdéses teszten a több dokumentumot és ítélőképességet vagy számolást igénylő tételeken a wiki 87%-ot hozott a keresés önmagában mért 73%-ával szemben. Olyan Harvey LAB-feladaton, ahol a szempontok gyakran egyetlen dokumentumból, szöveges kereséssel előkerültek, nem látszott egyértelmű előny. Egy másik feladatnál a wiki nagyobb lett, mint maguk a forrásdokumentumok.

A dreaming a hierarchia tetejére is feljebb emelhet jegyzeteket, amelyeket a harness minden munkamenet elején betölt. Ez kényelmes, de tokenbe kerül. Egy hibás jegyzet pedig minden körbe bekerül. A hosszabb instrukciós fájlok ráadásul rontják a betartást: a Claude Code automatikus memóriája ezért csak a MEMORY.md első 200 sorát vagy 25 KB-ját tölti be, indexként.

Több agent, egy fájl: adatvész

Egy szerződéses LAB-feladaton több agent írt egyszerre egy közös táblázatba. A 57 értékelt szerződéses tényből 41 maradt meg, 72%. Amikor a dreaming átírta az instrukciót, minden szerződés saját oldalt kapott, egyetlen agenttől, a feltételek szó szerinti idézésével. Ekkor mind a 57 tény megmaradt.

Egy második dreaming-menet kilenc, hiányzó oldalra mutató linket talált. Ezeket létező oldalra irányította. Három új oldalt is hozzáadott, köztük egy indexet.

A lettai FrontierMemory benchmarkkal korábban azt néztük, tanul-e egyáltalán az agent a saját múltjából: FrontierMemory: tanul-e az agent a saját múltjából?. Az Anthropic írása ehhez tervezési útmutatót ad: mit tegyél melyik rétegbe, illetve mit kerülj el.

Mit vihetsz át a saját harnessbe?

• A betöltött felső réteget tartsd kicsire. A részleteket tedd lejjebb, linkekkel.
• Erősebb modelleknek inkább a memória célját mondd el, ne az eljárást.
• Ne írass több agentet ugyanabba a fájlba, ha a tényeknek meg kell maradniuk.
• A dreaming akkor értékes, ha a jegyzetet vissza tudja ellenőrizni a transzkriptumhoz.