跳到正文

Anthropic公开智能体记忆实验:已有知识库产品先测规则复用与Token成本

国内

智能体记忆不是给聊天记录增加一个长期存储,而是决定哪些经验值得跨会话保留、以后如何复用,以及错误或过期信息会不会被持续执行。对已经做客服助手、销售助手或知识库产品的小团队,这不是需要从零包装的新行业,而是现有知识库与Agent交付流程中可以单独增加的一项质量评测。

Anthropic在2026年11月发布的研究将智能体记忆拆成几层:智能体把经历写成记忆笔记,并根据当前任务判断哪些事件具有显著性;在会话之间执行“dreaming”,用原始记录检查、修正或重组记忆;再把相关笔记整理成带链接的知识wiki,作为后续检索的导航结构。

这项机制直接触及智能体产品的两个成本。反复把历史背景塞进上下文会增加Token消耗,而长期记忆如果保存了错误、过时或无关的信息,又可能让模型持续重复错误。Anthropic在约35万份内部文件、4.2亿Token的语料上设置了25道问题:随着dreaming从2次增加到128次,评分标准覆盖率从13%升至48%;搜索与wiki结合时,综合得分随wiki增长由54%升至61%,而仅使用搜索为53%,仅使用wiki的最佳得分为48%,搜索与wiki结合平均每题还节省约2万Token。

这些数字来自Anthropic自己的内部语料和自建评测,不能直接当作国内业务的效果预期。它们支持的是评测方法和机制边界:不能只测一次问答准确率,还要分别测跨会话事实召回、纠正后的规则是否真正生效、错误记忆是否继续被引用,以及复用记忆后Token和人工改判量如何变化。原文也显示,效果并非对所有任务一致:在部分可由单文档搜索完成的法律摘要任务上,wiki没有明显增益;wiki过度膨胀后,维护负担也可能超过收益。

对于已经拥有合法可用模型接口、真实业务日志和人工验收结果的团队,可以选择一条结果可判断的现有流程做封闭测试,例如售后问题复盘、销售异议处理或内部知识问答。保留原有知识库检索和人工处理方式作为基线,再增加四个可替换组件:记录候选记忆并判断显著性;在后台用原始记录核验记忆;把稳定事实整理成小型wiki;回答时同时检索原始资料和wiki。

测试至少应同时记录四类指标:需要跨会话召回的事实是否命中;过期或错误记忆被使用的比例;人工纠正次数与平均处理时间;输入Token及重复检索成本。评测重点应是记忆对具体任务结果产生的净影响,而不是简单比较“开启记忆”和“不开启记忆”。如果增加机制后只是把更多内容塞进上下文,却没有减少错误、纠正工作或检索成本,就不应继续扩展。

Anthropic的实验还提供了两个重要边界。其一,较强模型自行判断什么值得保存,可能优于预设“只记录失败”等固定规则;其二,wiki应保持精简,因为它既可能帮助定位资料,也可能演变成比原始文档更难维护的第二知识库。因此,适合小团队的第一步不是建设通用记忆底座,而是拿一条真实流程验证记忆质量,并把规则核验、错误清理和成本复盘纳入原有交付。

这项近期研究对国内读者最直接的价值,是提供了一套可以迁移到现有客服、销售和知识库产品的验收方法。公开材料尚不能证明企业会为“记忆评测”单独付费,因此不宜据此声称独立记忆评测市场已经成立。若要把它发展为对外服务,仍需先找到已有智能体或客服系统采购预算、但无法判断长期记忆是否改善结果的垂直服务商或实施方,再围绕一个明确场景验证交付范围。