- 第一层：工作记忆：当前单会话活跃上下文窗口；存储即时推理步骤与当前轮次输入输出
- 第二层：短期缓存：会话级持久化索引与状态变量；维持多轮长任务交互中的执行意图连贯性
Anthropic发布四层分级记忆堆栈论文
人工智能基础模型研发先锋Anthropic正式公开发布具有里程碑意义的计算机科学研究论文《智能体记忆的核心构成》（The Components of Agent Memory）。该论文首次系统性剖析了构建高可靠性、自主执行AI智能体所必需的记忆机制瓶颈，正式提出了由工作记忆、短期缓存、长期持久化文件与外部混合检索层构成的“四层分级记忆堆栈”，并开创性引入了被称为“做梦”（Dreaming）的异步离线反思机制。
当前以大型语言模型（LLM）为驱动的AI智能体在处理跨度数小时乃至数天的复杂工程任务时，往往因上下文窗口饱和与信息噪声膨胀而陷入逻辑混乱或指令遗忘。Anthropic研究团队指出，单纯扩充上下文窗口长度无法解决记忆衰减与矛盾冲突问题。论文提出的四层分级框架通过明确划分不同数据生命周期的存储边界，将短期会话状态与长期知识沉淀精准解耦。其中，长期持久化层采用极简而规范的文件系统结构，正如Claude Code工程实践中对MEMORY.md设定的硬性约束——预加载内容必须严格限制在前200行或25KB以内，以防止核心上下文被冗余细枝末节稀释。
离线做梦机制将准确率从13%升至61%
论文最具突破性的学术贡献在于提出了“离线做梦”（Dreaming）机制。该机制借鉴了认知科学中人类大脑在非快速眼动睡眠期间巩固记忆、修剪无关神经突触的生物学规律。在智能体系统处于调用间歇或后台挂起状态时，异步反思管线会自动启动，对白天的历史交互日志、执行反思与工具调用结果进行全局扫描。反思程序会自动合并重叠的知识条目，识别并消除互相矛盾的上下文事实，将繁琐的执行过程精炼为高密度的抽象策略规则。
基准测试实验表明，在极具挑战性的企业级跨文档复杂多跳推理任务中，引入分级记忆与离线做梦机制后，Claude模型的端到端推理准确率从原始基线的13%大幅飙升至48%。当进一步结合密集向量与稀疏关键词的混合检索增强管线后，系统推理准确率更是达到了惊人的61%。这一研究成果为整个软件工程界构建生产级自主开发智能体与企业数字员工提供了权威的系统架构蓝图。
