- 第一層：工作記憶：當前單會話活躍上下文窗口；存儲即時推理步驟與當前輪次輸入輸出
- 第二層：短期緩存：會話級持久化索引與狀態變量；維持多輪長任務交互中的執行意圖連貫性
Anthropic發佈四層分級記憶堆棧論文
人工智能基礎模型研發先鋒Anthropic正式公開發布具有里程碑意義的計算機科學研究論文《智能體記憶的核心構成》（The Components of Agent Memory）。該論文首次系統性剖析了構建高可靠性、自主執行AI智能體所必需的記憶機制瓶頸，正式提出了由工作記憶、短期緩存、長期持久化文件與外部混合檢索層構成的“四層分級記憶堆棧”，並開創性引入了被稱爲“做夢”（Dreaming）的異步離線反思機制。
當前以大型語言模型（LLM）爲驅動的AI智能體在處理跨度數小時乃至數天的複雜工程任務時，往往因上下文窗口飽和與信息噪聲膨脹而陷入邏輯混亂或指令遺忘。Anthropic研究團隊指出，單純擴充上下文窗口長度無法解決記憶衰減與矛盾衝突問題。論文提出的四層分級框架通過明確劃分不同數據生命週期的存儲邊界，將短期會話狀態與長期知識沉澱精準解耦。其中，長期持久化層採用極簡而規範的文件系統結構，正如Claude Code工程實踐中對MEMORY.md設定的硬性約束——預加載內容必須嚴格限制在前200行或25KB以內，以防止核心上下文被冗餘細枝末節稀釋。
離線做夢機制將準確率從13%升至61%
論文最具突破性的學術貢獻在於提出了“離線做夢”（Dreaming）機制。該機制借鑑了認知科學中人類大腦在非快速眼動睡眠期間鞏固記憶、修剪無關神經突觸的生物學規律。在智能體系統處於調用間歇或後臺掛起狀態時，異步反思管線會自動啟動，對白天的歷史交互日誌、執行反思與工具調用結果進行全局掃描。反思程序會自動合併重疊的知識條目，識別並消除互相矛盾的上下文事實，將繁瑣的執行過程精煉爲高密度的抽象策略規則。
基準測試實驗表明，在極具挑戰性的企業級跨文檔複雜多跳推理任務中，引入分級記憶與離線做夢機制後，Claude模型的端到端推理準確率從原始基線的13%大幅飆升至48%。當進一步結合密集向量與稀疏關鍵詞的混合檢索增強管線後，系統推理準確率更是達到了驚人的61%。這一研究成果爲整個軟件工程界構建生產級自主開發智能體與企業數字員工提供了權威的系統架構藍圖。
