Claude
通过将记忆抽象为文件系统并引入异步离线做梦机制,系统将运行反思与在线执行解耦,使长期运行的多智能体集群能跨会话自动沉淀经验并避免重复试错。
AI-assisted summary of Memory and dreaming for self-learning agents — original source. Check the original for full context.
Source published:
Key ideas
- Anthropic 推出基于文件系统的 Memory 原语并开启 Dreaming(做梦机制)研究预览,推动智能体由单纯执行器向持续自学习系统演进。 (0:07)
- 乐天(Rakuten)在其内部知识智能体中接入该记忆系统后,首次处理错误率降低了 90%,同时显著提升了 Token 效能并降低了延迟。 (0:07)
- Dreaming 采用离线异步批处理管道,跨越近 7 天的历史会话轨迹挖掘全局规律、合并去重并验证记忆,使法律基准测试场景的任务完成率提升 6 倍。 (10:17)
- 系统支持分层权限隔离(只读组织知识库与读写工作记忆)并引入内容哈希的乐观并发控制,为数以百计并发运行的智能体提供企业级状态保障。 (6:29)
Detailed notes
## Background 本内容由 YouTube 官方频道 Claude 于 2026 年 5 月 8 日发布。视频简介说明,本场分享主要探讨记忆(Memory)与做梦机制(Dreaming)如何将 Claude Managed Agents 转变为自学习系统,深入解析了记忆架构的设计考量,以及做梦机制如何在两次会话的间歇期检验并丰富记忆内容。
## TL;DR Anthropic 平台团队产品经理 Mahesh 系统介绍了 Claude Managed Agents 的全新核心原语——记忆(Memory)与做梦机制(Dreaming)。针对长周期任务中智能体经验无法跨会话沉淀与共享的问题,Anthropic 摒弃了死板的工具约束,将记忆抽象为开放的文件系统,让 Claude 能够自主使用标准命令行工具进行管理,并辅以严格的权限划分、乐观并发控制与审计元数据以满足企业级需求。在此之上,团队推出了异步批处理的“做梦机制”,在带外运行中回溯历史转录日志,跨会话挖掘群体性规律、合并冗余信息并剔除陈旧结论,使知识库在不影响核心请求路径的前提下持续精炼,最终让次日的智能体能够自动基于前一日的群体经验变得更高效。
## Atmosphere & style 整场演讲呈现出典型的前沿技术发布与开发者布道风格,兼具工程严谨性与探索激情。主讲人 Mahesh 语调自信沉着、节奏明快,从底层的架构设计哲学自然过渡到云端控制台的真实 SRE 运维实战演示,充满务实的极客气息。现场洋溢着对多智能体长周期自演进未来的强烈憧憬,尤其在通过做梦机制展示多智能体跨会话破除思维盲区与去重验证时,生动勾勒出一种未来主义但又即刻可用的生产力图景。
## Bulletin - [00:07](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=7s) Anthropic 推出基于文件系统的 Memory 原语并开启 Dreaming(做梦机制)研究预览,推动智能体由单纯执行器向持续自学习系统演进。 - [00:07](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=7s) 乐天(Rakuten)在其内部知识智能体中接入该记忆系统后,首次处理错误率降低了 90%,同时显著提升了 Token 效能并降低了延迟。 - [10:17](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=617s) Dreaming 采用离线异步批处理管道,跨越近 7 天的历史会话轨迹挖掘全局规律、合并去重并验证记忆,使法律基准测试场景的任务完成率提升 6 倍。 - [06:29](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=389s) 系统支持分层权限隔离(只读组织知识库与读写工作记忆)并引入内容哈希的乐观并发控制,为数以百计并发运行的智能体提供企业级状态保障。
## Key takeaways - [00:07](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=7s) 记忆(Memory)是继 MCP 和 Skills 之后的核心原语,专为解决长周期复杂任务的持续自学习与跨会话经验沉淀而设计。 - [04:20](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=260s) Anthropic 放弃了受限的硬编码 Memory Tool,转向以标准文件系统(Bash/Grep 可直接操作)呈现记忆,最大化发挥前沿模型内生智能。 - [04:20](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=260s) Claude Opus 4.7 在无预设人工刚性规则下,展现出卓越的自主规划记忆目录层级、格式切分与内容归档能力。 - [06:29](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=389s) 大规模多智能体并发场景通过权限划分(只读 Runbook 与读写 Working Memory)以及基于内容哈希的乐观并发控制,有效防止竞态覆盖。 - [06:29](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=389s) 企业级控制依靠完整的版本审计日志、细粒度归属元数据(标注 Agent ID 与 Session ID)以及独立的便携式 API 来实现合规管理。 - [10:17](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=617s) 单会话局限导致智能体容易陷入经验孤岛与重复试错,Dreaming(做梦机制)应运而生,在后台集中分析历史轨迹以提炼宏观模式。 - [13:26](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=806s) Dreaming 采用带外(Out-of-band)批处理架构,将高计算开销的“记忆整理与质量维护”从实时的“任务执行”路径中彻底解耦,不产生运行时延迟。 - [13:26](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=806s) Dreaming 借鉴了测试时算力(Test-time Compute)扩展与搜索引擎离线索引理念,将前置整理成本分摊到未来所有并发读取的智能体上。 - [16:58](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1018s) 在 SRE 运维实战演示中,首个智能体沉淀的排障结论直接避免了后续智能体做无谓的 CPU 与部署分析,大幅降低线上 MTTR 与推理 Token 消耗。 - [20:47](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1247s) 做梦任务通过动态派生子智能体分析过去 7 天的转录日志,成功发现多智能体在 CPU 尖峰后 60 秒触发重试逻辑的深层宏观规律。 - [21:35](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1295s) 做梦输出的补丁不仅合并了 5 条冗余的完全相同记录,还主动剔除过期陈旧信息并打上转录验证批注,保证先验知识的可靠性。 - [23:05](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1385s) 记忆系统与做梦机制打破了单次上下文窗口与时效性约束,为未来连续运行数小时乃至数天的自学习智能体提供了底层基础支撑。
## Detailed walkthrough ### [00:07](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=7s) 迈向自学习智能体:从 MCP、Skills 到 Memory 原语
Anthropic 平台团队的产品经理 Mahesh 向在场观众问好,回顾了自己在过去一年半中参与打造的基础原语,包括模型上下文协议(Model Context Protocol, 简称 MCP)以及技能(Skills)。他指出,当今大模型的能力在过去两三年中呈爆发式增长,智能体已经能够承接长达数小时、甚至连续运行数天的大型复杂任务。为了适配模型能力的进化,Anthropic 持续构建更高级别的原语,其核心设计理念是“给模型让路”,为其提供与环境交互、管理环境状态的接口,从而让智能体随着时间推移变得愈发强大。
此前推出的 MCP 为智能体打通了外部工具和数据的访问渠道,而 Claude Code 与 Agent SDK 则提供了强大的运行架构(Harnesses);在去年 10 月推出的 Skills,更是让智能体能够直接获取由人类或其他智能体编写的新能力。然而,现存体系中依然存在一个核心的未解难题:面向长周期任务的持续自学习(Continuous Self-learning)与上下文管理。Mahesh 强调,记忆(Memory)正是解决该问题的下一个关键原语,它将推动智能体从单纯的执行器演进为能够依据自身任务经验自主进化的系统。关于记忆的作用,Mahesh 明确表示:“With memory, agents can learn about the tasks they work on, things like the success criteria, common mistakes, strategies that are or are not working.”
在实际运作中,记忆赋予了智能体全方位获取经验的能力:它们不仅可以学习任务特征(如成功标准、常见错误与策略有效性),还能深入理解自身所处的环境(如持续维护的代码库与各种资产文件)。更重要的是,在同一环境中并行的多个智能体之间能够通过记忆共享经验、排查异常,构建对环境的统一世界认知。为此,Anthropic 在数周前将 Memory 正式推向 Claude Managed Agents 的公测版(Public Beta),同时还在 Managed Agents API 中以研究预览(Research Preview)的形式上线了一项名为“Dreaming(做梦机制)”的全新产品,用于在会话间隙检验并丰富记忆。
- **乐天(Rakuten)应用成效**:乐天在其内部知识智能体中接入该记忆系统后,首次处理错误率(First pass mistakes)降低了 90%;这不仅大幅提升了智能体相互纠错与知识沉淀的效率,还带来了更高的 Token 效能、更低的调用成本以及更低的服务延迟。
---
[04:20](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=260s) 需求一:默认最大化智能与文件系统化记忆
在与客户沟通并构建系统的过程中,团队提炼出了打造前沿记忆系统的三项核心要求。第一项也是最关键的要求是:记忆系统在默认设计上必须最大化发挥模型的智能(Maximize intelligence by default)。回顾过往,早期的记忆实现往往过于死板。大约一年半前,Anthropic 伴随 Claude Code 推出了初始版本的 `CLAUDE.md`,智能体或人类用户可以在其中记录备忘,但这仍然是一个受限的早期方案;而在 SDK 中提供的 Memory Tool 也是一种参数与输出格式严格绑定的工具调用接口。
随着智能体推理能力的演进,平台设计的转向逻辑与当初设计 Skills 时如出一辙:既然智能体已经能够非常娴熟地管理虚拟环境和底层文件系统,为何不让记忆也直接依托文件系统来管理?于是,Claude Managed Agents 将记忆直接抽象为一个对 Claude 开放的文件系统,呈现为具有特定层级和格式的文件集合。Claude 完全依靠其在 Agentic Coding 场景中早已证明过能力的 Bash 和 Grep 等标准工具,便能自主更新、组织和调整这些记忆文件。
在最新发布的前沿模型 Claude Opus 4.7(于上月推出)上,这种基于文件系统的记忆架构展现出了行业领先(State-of-the-art)的表现。该模型在辨别哪些内容具备沉淀价值、如何规划记忆文件的切分粒度与目录层级方面表现极其出色,完全由模型内生驱动,摆脱了人工预设刚性约束的桎梏。
```mermaid flowchart TD accTitle: 基于文件系统的记忆演变与架构流程 accDescr: 展示了从早期CLAUDE.md和Memory Tool演变为基于文件系统的全自动自主记忆管理模式
subgraph EarlyStage ["早期探索阶段 (严格约束)"] A["CLAUDE.md 静态笔记文件"] B["SDK Memory Tool (硬编码工具调用/预设参数)"] end
subgraph ModernStage ["现代 Managed Agents 架构 (自由文件系统)"] C["Claude Opus 4.7 智能决策中心"] D["虚拟文件系统 (Memory File System)"] E["层级结构文件 (/memories/*.md)"] end
EarlyStage -.->|"范式转移: 减少干预,充分放权"| ModernStage C -->|"执行 Bash / Grep 命令行"| D D --- E C -->|"自主决定切分格式与内容归档"| E ```
---
[06:29](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=389s) 需求二与三:大规模多智能体并发与企业级可控性
设计记忆系统的第二项考量是适应未来几个月乃至更长时期的大规模多智能体系统(Multi-agent systems)。如今,单人同时运行 10 到 15 个 Claude Code 会话已十分普遍,而在 Anthropic 自身及各类企业场景中,数百甚至上千个并行运转的智能体同时访问共享状态与记忆的架构已成为常态。面对这种高并发需求,系统必须解决两大机制:权限范围划分(Permission Scopes)与并发控制(Concurrency)。
在权限管理方面,智能体支持混合挂载不同权限的记忆存储区。例如,智能体面对组织维度的核心知识库(如通用最佳实践、处理标准故障的 Runbook 等)时可以持有只读权限(Read-only),而对其当前执行任务紧密相关的专属工作记忆(Working memory)则拥有读写权限(Read-write)。在并发控制方面,为了避免海量智能体同时写入导致记忆相互覆盖毁损,平台实现了乐观并发控制(Optimistic concurrency),智能体在实际写入前通过内容哈希(Content hash)校验状态,确保不会产生竞态覆写。
第三项核心考量则是开发者与企业对于生产级部署的绝对控制权(Developer and Enterprise Control)。企业级客户对合规与可追溯性有着极高的要求: - **版本历史与审计日志(Version history & Audit log)**:系统完整记录记忆每一次变更的操作日志,不仅开发者可随时审查,未来智能体自身也能调用该日志,追溯特定修改的时点与原因。 - **细粒度归属元数据(Attribution metadata)**:每一次文件变更均打上精准标签,明确标明是由哪个智能体(Agent ID)、在哪个会话(Session ID)以及何种具体时间做出的改动。 - **独立可移植 API(Standalone API)**:许多客户在 Managed Agents 之外构建了定制化的数据处理流水线,例如进行 PII(个人身份信息)扫描过滤、定期清理过期记忆、或将记忆镜像克隆至外部系统。因此,Anthropic 并没有将记忆锁死在托管环境内部,而是提供了独立的便携式 API,供客户自主纳管外部流水线。
综上所述,前沿记忆系统展现出清晰的分层轮廓:底层是记录实体数据、元数据与溯源信息的存储层(Storage layer);其上是定义内容组织形式的结构与内容层(Structure and content layer)——包括将记忆组织为文件系统,以及将 Skills 作为规范轻量、可供模型学习新功能的过程记忆(Procedural memory)。关于企业控制机制,Mahesh 总结道:“So we implemented optimistic concurrency where one agent can essentially use a content hash to check if it's going to overwrite another agent's memory before it actually makes an update.”
[10:17](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=617s) 流程层(Process Layer)的局限与“做梦”(Dreaming)的提出
在构建多智能体系统时,内存架构不仅包含数据本身的存储,还涉及一个核心的“流程层”(Process Layer)。流程层决定了内存实际更新的频率、触发更新的条件,以及模型根据哪些来源决定对内存做出调整以习得新知识。虽然之前介绍的 Agent Memory API 解决了部分实时读写的问题,但当将其扩展至更复杂的大规模多智能体系统时,暴露出了诸多明显的局限性:不同会话和不同智能体之间存在信息孤岛,一个会话往往会漏掉其他智能体在各自会话中已经摸索出的经验;多个智能体在相同环境中协作时,会反复出现相同的低级错误与共享模式;此外,单纯依赖单个智能体在执行具体任务时兼顾内存更新效率极低,无法全局、系统化地维护庞大的内存库。
为了解决多智能体协同中知识孤立和经验无法沉淀的问题,团队在过去几个月内尝试了多种不同类型的流程机制,最终敲定并推出了名为“做梦”(Dreaming)的全新能力,并在 Managed Agents API 中开启研究预览(Research Preview)。正如演讲者所总结的那样:“Dreaming is a process that looks for patterns and mistakes across your recent agent sessions and their transcripts and automatically produces organized and up-to-date memory content.”(做梦是一个对近期所有智能体会话及其运行轨迹进行模式与错误挖掘,并自动生成结构化、最新内存内容的流程。)在早期测试中,法律科技公司 Harvey 将 Dreaming 机制应用在其高度仿真的法律基准测试场景中,获得了显著的性能提升——某个典型法律场景的任务完成率直接提升了 6 倍。
```mermaid flowchart TD accTitle: 智能体做梦机制整体运转流程 accDescr: 展示近期多个智能体会话轨迹汇聚到异步做梦流程,生成更新后的内存状态,并沉淀为长期知识库。
subgraph Sessions ["并发执行层 (Hot Path)"] A1["Agent 会话 A"] A2["Agent 会话 B"] A3["Agent 会话 N"] end
subgraph DreamingProcess ["异步做梦层 (Out-of-band)"] T["历史运行轨迹 (Transcripts)"] D["做梦处理引擎 (Dreaming Engine)<br/>挖掘常见错误、失败工具调用与成功策略"] U["生成增量内存状态 (Memory Diff)"] end
subgraph MemoryStore ["全局内存库"] M["长期企业级知识库 / 共享内存"] end
A1 --> T A2 --> T A3 --> T T --> D D --> U U -->|"即时应用 / 人工审核"| M M -.->|"赋能下一轮任务"| Sessions ```
[12:14](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=734s) 做梦的工作机制:批处理、异步与持续自学习
Dreaming 在工程架构上是一个批处理(Batch)、异步(Asynchronous)的后台流程,与正在执行特定任务的智能体活跃会话完全解耦。在触发方式上,开发者既可以通过控制台或 API 设置基于 Cron 规则的定时周期性任务,也可以通过 API 将其无缝集成到现有工作流中——例如,许多客户选择在智能体集群完成一波大任务、即将缩容关闭(Spinning down)时触发做梦,将当次运行的所有经验系统性地写入持久化内存中。在底层执行时,Dreaming 会全面扫描近期的所有会话轨迹(Transcripts),梳理出群集经常踩坑的共性模式(例如特定工具调用失败的情况),提炼行之有效的解题策略,并输出规范化的内存更新补丁(Diff)。用户可以直接将这些补丁应用到内存库,也可以通过 API 增加自动检查或人工审核(Manual Review)环节。
这种设计让智能体真正具备了长期的自我演进能力,演讲者强调:“The ultimate goal of dreaming is continuous self-learning and self-improvement where the next day's agents automatically get better based on the learnings and the work of the previous day's experience.”(做梦的终极目标是实现持续的自主学习与自我改进,让第二天的智能体能够基于前一天的经验与成果,自动变得更聪明、更高效。)
- **解耦的批处理管道**:脱离具体任务生命周期,在后台对多条运行轨迹进行全局分析。 - **灵活的触发策略**:支持定期定时调度(Cron)、按需 API 调用,或与资源销毁钩子联动。 - **高阶经验沉淀**:精准捕获单次运行中难以识别的跨智能体失败调用、重复试错和最优路径。 - **安全的应用路径**:输出可验证的变更增量,支持全自动提交或结合审批流的人工审核。
[13:26](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=806s) 架构考量:带外运行、目标分离与算力扩展
从架构设计和系统 Harness 的角度来看,Dreaming 具备两大核心优势。首先是它的“带外”(Out-of-band)属性,即完全独立于智能体执行单点任务的具体会话上下文。当单个智能体进行内存读写时,其视野被局限在自身局部的上下文和眼前的工作中;而带外运行的 Dreaming 允许系统站到全局视角之上,跨越多个并发智能体进行横向模式归纳。此外,智能体安全运行的最佳实践要求每个智能体在执行任务时拥有极其纯粹、清晰的离散目标。以往让智能体在解题的同时兼顾整理内存,往往会导致精力分散并拖慢性能;Dreaming 成功将“内存质量”(Memory Quality)这一重载目标与“任务完成率”(Task Completion)解耦开来,且完全没有在核心请求路径(Hot Path)上增加任何运行时延迟。
更令人兴奋的深层逻辑在于如何利用计算资源来维护企业级超大规模内存系统。目前业内大部分智能体内存仍局限在单个用户、特定任务或几个人协作的微型团队;但在 Anthropic 及其企业客户内部,成百上千个并发运行、共享状态的智能体已成为常态,内存库本质上已经演变为了一个超大型的动态知识库(Knowledge Base)。为了保证知识库既能承载海量信息,又能保持极高的时效性且避免耗尽上下文 Token,Dreaming 引入了类似于“测试时计算”(Test-time Compute / 思考模型)与“现代搜索引擎离线索引”的设计哲学:
- **类比测试时算力扩展(Test-time Compute)**:正如模型在推理时消耗更多 Token 深度思考、穷举路径可以大幅提升最终任务胜率一样,Dreaming 智能体在后台投入额外的 Token 算力去梳理、整理和去重,换取的是整个知识库的极致有序与精炼。 - **类比搜索引擎索引(Search Indexing)**:搜索引擎花费高昂的前置离线成本制作高质量最新索引,从而让在线查询毫秒级返回最精准的结果;Dreaming 也是在离线期完成高密度信息的萃取与建库,使得后续所有下游智能体在检索时无需重复计算。演讲者将其总结为:“And effectively lets us amortize this effort across all of those agents that are reading from a memory store.”(这实际上将前置投入的工作成本,分摊到了未来所有需要读取该内存库的智能体身上。)
[16:58](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1018s) 实战演示:分层内存架构下的 SRE 运维智能体协同
结合实时内存 API 与异步 Dreaming,前沿内存系统的完整蓝图得以确立:左侧是实时的内存基础原语,供智能体在运行时秒级读取、写入任务上下文;右侧则是顶层的 Dreaming 全局进程,负责全天候核验内存状态、归类组织,并在一天结束后进行知识回填(Backfill)。Dreaming 成为了沟通临时工作内存(Working Context)与大型持久化知识库(Knowledge Base)的桥梁。
随后演讲者通过一个具体的 SRE(站点可靠性工程)多智能体演示展示了这套体系的威力。该 SRE 系统监听生产环境的报警,并根据警报类型动态拉起特定智能体进行故障排查(Triage)或直接提交修复 PR。在内存设计上,系统为每个智能体挂载了不同权限的内存库: 1. **全组织知识库(Org-wide Knowledge Store)**:设置为“只读”(Read-only),存放标准应急预案(Runbooks)、SLO 指标指南以及各个模块的负责人通讯录。这类知识更新频率极低,严禁智能体在单次故障处理中随意窜改。 2. **SRE 专属内存库(SRE Memory Store)**:设置为“可读可写”(Read-write),专供 SRE 智能体在与真实环境交互时实时写入新发现并共享动态演变。
在演示场景中,Dispatch 服务触发了一个 P1 级别的严重报警。系统立即拉起第一个 SRE 智能体展开排查:该智能体调用监控检查了 CPU 使用率、分析了网络流量分布,并查阅了最近上线的 PR。排查完毕后,它将第一手排查成果与结论记录为一段增量差分(Diff),写入到 SRE 内存库中。仅过了几分钟,相同的报警再次被触发,另一个全新的 SRE 智能体被唤醒接手该警报。该智能体启动后的第一件事就是读取 SRE 共享内存,立刻看到了上一位智能体留下的排障结论:“这里已经做过针对 CPU 和近期部署的调查,结论如下,你可以直接跳过这部分排查。”这使得第二位智能体成功绕开重复弯路,直接聚焦于未知的深层根因,不仅节省了大量无谓的推理 Token,还极大地压缩了线上故障响应时间(MTTR)。为了确保企业级生产环境的严谨可靠,内存库还内置了完整的版本历史(Version History)追踪,记录了每一次修改的完整审计轨迹,让运营团队能够准确回溯任何技术决策的前因后果。
[20:04](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1204s) 乐观并发控制与控制台中的记忆库概览
在审查内存写入的变更细节时,系统能够清晰追踪到每一次修改的具体内容、是由哪一个智能体(Agent)发起的以及确切的写入时间。底层架构包含了一个前置条件哈希校验机制(Precondition Hash),专门用于实现乐观并发控制(Optimistic Concurrency)。演讲者解释道,该机制的核心逻辑在于:“Hey, I made this change. Let's actually verify it is what it is before I go and override it.”(“嘿,我做了这处修改。在我真正去覆盖它之前,我们先验证一下目标内容是否仍是预期的状态。”)通过这种机制,可以避免多个并发任务在写入同一块记忆区域时发生无意覆写或状态冲突。
为了展示做梦(Dreaming)如何将零散的智能体记忆升华为一个更具全局视角、持续保持最新的记忆系统,演示转到了云端控制台(Cloud Console)。控制台界面精准映射了通过 API 创建和查看的数据状态,完整列出了当前已构建的各个记忆库(Memory Stores)。演讲者直接点击进入名为“team SRE”的记忆存储区,该页面实时呈现了智能体最近写入的最新记忆状态,为后续通过离线做梦机制进行结构化重组与沉淀提供了基础环境。
[20:47](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1247s) 启动做梦任务与子智能体转录分析架构
切换到控制台中的“Dreaming”(做梦)标签页后,用户可以手动触发或自动化调度一个做梦任务(Dreaming Job)。该任务的目标是针对特定的记忆库进行深度更新与提炼,其扫描范围覆盖了过去 7 天内所有与该记忆库发生过交互的会话(Sessions)。这些历史会话的所有记录都会被载入到做梦处理流中,由系统启动集中复盘。
```mermaid flowchart TD accTitle: 记忆做梦任务架构与子智能体执行流 accDescr: 展示主会话如何拉取历史转录并分发给多个子智能体进行归纳与记忆更新
subgraph Input["输入数据源"] Sessions["过去 7 天的历史会话<br/>(Input Sessions)"] Transcripts["会话转录日志<br/>(Transcripts)"] Sessions --> Transcripts end
subgraph DreamingProcess["做梦执行环境 (Dreaming Job)"] ConsoleSess["控制台独立分析会话"] SubAgent1["子智能体 A<br/>提取模式"] SubAgent2["子智能体 B<br/>交叉对比"] SubAgent3["子智能体 C<br/>去重与验证"]
Transcripts --> ConsoleSess ConsoleSess --> SubAgent1 ConsoleSess --> SubAgent2 ConsoleSess --> SubAgent3 end
subgraph Output["记忆产出与更新"] Diff["文件更新差异集 (Diff)"] MemoryStore["team SRE 记忆库<br/>(最新状态更新)"]
SubAgent1 --> Diff SubAgent2 --> Diff SubAgent3 --> Diff Diff --> MemoryStore end ```
点击进入正在运行的做梦任务,控制台内部会实例化一个专属会话来透明展示后台计算过程。系统正在逐行审阅特定的会话转录文本,并在底层动态派生出一整套子智能体(Sub-agents)。这些子智能体协同作业,分头解析冗长的转录日志,其职责是敏锐捕捉分散在各次排障操作中的经验教训,并将非结构化的会话细节最终提炼为全局一致的最新记忆状态。
- 扫描周期:拉取过去 7 天(7 days)所有读写过该记忆库的历史会话。 - 执行载体:在云端控制台中单独拉起专项会话,全程监控做梦进展。 - 并发架构:动态派生多个专门的子智能体分工审查日志转录,进行特征提取与总结。
[21:35](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1295s) 跨智能体模式挖掘、条目去重与记忆有效性验证
快进几分钟直接查看做梦任务执行完毕的成果,系统最终输出了一组文件补丁差异(Diff),用于直接应用到该记忆库中。首要的改动是对之前演示中出现的“调度延迟笔记”(Dispatch Latency Note)进行了关键增补。做梦智能体发现,有多个排障智能体的触发时机,恰好都在上游 CPU 利用率突增(CPU Utilization Spike)的整整 60 秒之后。
基于这个时间特征,做梦任务推断出系统可能触发了某种极其低效的重试逻辑(Retry Logic),从而在实际排查问题时浪费了大量时间。演讲者强调了做梦在宏观视角上的不可替代性:“It identifies that because each of the individual agents aren't really noticing that pattern. They don't know that other agents are also seeing kind of that 60-second pattern every single time, and it leaves a note.”(“它识别出了这一点,是因为每一个单独的智能体根本注意不到这种规律;它们不知道其他智能体每次也都会观察到类似的 60 秒固定模式,于是系统留下了一条备注。”)这样一来,未来的智能体再次面临类似告警时,就能直接继承这一洞察,更高效地定位根因。
除了挖掘宏观关联,做梦还执行了数据清洗、去重与验证操作: - **重复条目合并**:做梦任务检测到先前的不同智能体在此存储库中先后写入了 5 条完全相同的记录,系统自动将这 5 条冗余内容合并提炼为一条规范记录。 - **陈旧条目清理**:对照最新的排查转录,做梦任务主动剔除了一条已经失效且不再相关的过期信息。 - **添加验证批注(Verification Note)**:做梦任务为有效条目打上确信标记,声明“根据此次核查的转录日志,该记忆完全准确无误”,确保智能体在第二天继续调用该记忆库时能够放心依赖这些先验结论。
[23:05](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=1385s) 构建长时间运行智能体与未来展望
通过这一整套现场演示,演讲者展示了开发者如何借助 Claude 托管智能体(Claude Managed Agents)中的记忆(Memory)与做梦(Dreaming)API,搭建出真正具备生产级自学习能力的智能体架构。通过常驻记忆的实时写入、乐观锁机制以及离线做梦的深度反思、交叉去重与回填整理,系统打破了单次会话上下文长度与时效性的桎梏。
在演讲尾声,讲者对智能体技术在实际产业中的演进方向做出了明确预判:“And to close out, I think that over the next couple of months, we're going to start seeing agents that run for days or many, many hours at a time. And I think that memory is going to be an really important part of that system and what makes it ultimately possible.”(“最后我想说,在接下来的几个月里,我们将开始看到能够连续运行数天、甚至长达数十个小时的智能体。我认为记忆系统将成为该架构中至关重要的组成部分,且正是让这一切最终成为可能的基石。”)演讲在全场的欢呼声中落下帷幕,讲者鼓励所有开发者从当下开始使用这些 API,构建新一代自进化系统。
## Notable quotes > [12:14](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=734s) The ultimate goal of dreaming is continuous self-learning and self-improvement where the next day's agents automatically get better based on the learnings and the work of the previous day's experience. — Mahesh
> [10:17](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=617s) Dreaming is a process that looks for patterns and mistakes across your recent agent sessions and their transcripts and automatically produces organized and up-to-date memory content. — Mahesh
> [00:07](https://www.youtube.com/watch?v=RtywqDFBYnQ&t=7s) With memory, agents can learn about the tasks they work on, things like the success criteria, common mistakes, strategies that are or are not working. — Mahesh
## Mentioned Mahesh, Anthropic, Claude, Claude Code, Claude Managed Agents, Claude Opus 4.7, Model Context Protocol (MCP), Skills, Agent SDK, CLAUDE.md, Rakuten, Harvey
## Video description How memory and dreaming turn Claude Managed Agents into self-learning systems. This session walks through design considerations for memory architectures and how dreaming verifies and enriches memory between sessions.
[Source](https://www.youtube.com/watch?v=RtywqDFBYnQ)