Anthropic подняла точность агентов с памятью с 54% до 61%

Большинство систем с «памятью» на деле просто складывают старые диалоги в папку. Через несколько недель агент получает не преимущество, а цифровой чердак: противоречивые заметки, устаревшие состояния и десятки файлов, которые приходится перечитывать перед каждым действием.

Anthropic предлагает более полезную модель. Агент должен сохранять не всё увиденное, а то, что пригодится в следующей сессии: проверенные правила, текущую цель, рабочий план и ловушки, уже стоившие ему ошибки. Затем во время простоя он возвращается к журналам работы, проверяет свои записи и перестраивает их. Исследователи называют этот процесс dreaming — «сновидением».

Память — это прогноз, а не архив

Когда агент записывает правило, он фактически делает ставку: эта информация снова понадобится и её выгоднее сохранить, чем повторно добывать. Поэтому качество памяти зависит прежде всего от умения отличать важное от временного.

Это хорошо видно в эксперименте с Pokémon Red. Claude Sonnet 3.7 сохранял почти каждую встречу, битву и найденный предмет. К отметке около 10 000 шагов он создал 413 файлов в 225 папках, но получил лишь один значок. Часть записей быстро устаревала, а агент тратил всё больше действий на обслуживание собственного архива.

Другая модель, Fable 5, ограничилась девятью файлами в двух папках и одним главным документом. В нём лежали текущая цель, план прохождения и правила работы с памятью. Отдельные заметки описывали маршруты и проверенные игровые приёмы. Такой агент получил четыре значка: памяти было меньше, но каждая запись помогала принять следующее решение.

Практический принцип простой. Не стоит сохранять координаты, баланс или статус задачи, если агент может получить их из надёжного инструмента прямо сейчас. Сохранять нужно то, чего во внешней системе нет: выводы из ошибок, подтверждённые закономерности, планы и причины принятых решений.

«Сновидение» исправляет уверенные ошибки

Опасность постоянной памяти в том, что неверная заметка переживает породившую её сессию. В следующем запуске агент читает собственную запись как источник истины и снова принимает неправильное решение.

В одном прохождении Pokémon Claude ошибочно записал, что лечебный центр находится с восточной стороны горы. Из-за этого он решил, будто уже прошёл пещеру, пошёл не туда и несколько раз вернулся на прежний маршрут. После третьего повторения агент фактически сдался.

Во время «сновидения» модель сопоставила заметку с исходным журналом, обнаружила расхождение и исправила расположение объекта. В следующем запуске Claude вернулся в пещеру и достиг нового города. Здесь важна не игровая история сама по себе, а инженерный шаблон: журнал действий остаётся первичным свидетельством, а память — редактируемой производной, которую необходимо периодически проверять.

Что это даёт продуктовым агентам

Anthropic проверила тот же подход на массиве из примерно 350 000 внутренних документов объёмом около 420 млн токенов. Агенты последовательно строили связанную базу знаний: создавали страницы, объединяли дубли, исправляли утверждения и проверяли их по источникам. При увеличении фоновой обработки с двух до 128 сессий результат по набору вопросов вырос с 13% до 48% критериев оценки.

Однако база знаний не заменила поиск. Лучший результат дала связка двух механизмов: карта накопленных знаний подсказывает, где искать, а поисковый инструмент позволяет проверить детали в первоисточнике. По мере развития базы результат этой связки вырос с 54% до 61%, тогда как один поиск дал 53%.

Для разработчика вывод вполне прикладной. Начните с небольшой памяти: один файл с целью и следующими шагами, отдельный раздел с подтверждёнными правилами и ссылки на исходные журналы. Добавьте фоновую задачу, которая ищет противоречия, помечает неподтверждённые выводы и удаляет устаревшее. Не задавайте сильной модели десятки жёстких правил о том, что запоминать: в опытах Anthropic требование сохранять только ошибки уменьшало пользу памяти.

Метрики получены на собственных моделях и небольших наборах заданий, поэтому переносить проценты на любой продукт нельзя. Но архитектурный вывод выглядит крепко: хорошая память агента — не бесконечный лог, а компактная, проверяемая и регулярно переписываемая рабочая модель мира.