Claude 官方的 Agent Memory 管理实践:为什么用文件系统保存记忆?

简介: 现在 Claude Managed Agents(可在 Claude Platform 上使用)有了记忆(memory)能力。这些记忆以文件的形式保存下来,供单个 Agent 或者多个 Agent 在不同会话间继续访问和使用。简单来说,Agent 不再“只活在当下”,能从过去执行任务的经验中学习。用户也可以通过 API 导出记忆,方便后续查看或使用。

本文由 Lance Martin 编写,他目前就职于 Anthropic,是前 LangChain 工程师、Stanford PhD。他长期关注 AI Agent、RAG 和 Context Engineering 等方向,是当前 Agent 工程实践领域活跃的技术作者。

以下为他的分享,文末附有前 OpenAI 工程师、现 Google DeepMind 工程师 Leo Tavares 对本次分享的看法,以及相关 AI 研究员个人介绍。

现在 Claude Managed Agents(可在 Claude Platform 上使用)有了记忆(memory)能力。这些记忆以文件的形式保存下来,供单个 Agent 或者多个 Agent 在不同会话间继续访问和使用。简单来说,Agent 不再“只活在当下”,能从过去执行任务的经验中学习。用户也可以通过 API 导出记忆,方便后续查看或使用。

同团队的 David SHershey 曾和我分享过关于 Agent 记忆的事。那时候,他在做 Claude Plays Pokémon 项目——也就是让 Claude 自己玩《宝可梦》的 AI Agent 实验项目。他给 Claude 配了一个工具,来读取某个文件夹中的记忆文件,或是写入新的记忆文件。他设计这些记忆文件的目的很简单:为了让 Claude 更好地探索、推进宝可梦游戏的剧情。

但在早期的 Claude 模型上,David 的这套方法效果并不好。比如 Sonnet 3.5 会把“记忆”当作一份游戏过程记录,认真记录 NPC(宝可梦游戏里的非玩家角色)说了什么,但抓不住真正影响后续行动的关键信息。Claude 在宝可梦游戏里走了 14,000 步之后,已经写出了 31 个记忆文件,但游戏进度几乎没怎么推进,还卡在第二个城镇里。

下面就是其中一个记忆文件的例子:

caterpie_weedle_info:
- Caterpie and Weedle are both caterpillar Pokémon.
- Caterpie is a caterpillar Pokémon that does not have poison.
- Weedle is a caterpillar Pokémon that does have poison.
- This information is crucial for future encounters and battles.
- If our Pokémon get poisoned, we should seek healing at a Pokémon
 Center as soon as possible.

为了解决这类问题,许多论文都提出过利用专门的 Agent 运行框架和工具,来帮助 AI Agent 管理记忆。我个人很喜欢 tedsumers 的 CoALA 论文,以及 sarahwooders 和 charlespacker 的 memGPT 工作。它们都借鉴了认知科学和操作系统中的一些思想,以便更系统地构建 Agent 记忆。

有意思的是,Claude Plays Pokémon 这个项目后来有了戏剧化的结果:随着 Claude 模型能力的增强,后来的 Claude 模型开始学会更好地利用文件系统来组织自己的记忆。在 Opus 4.6 中,同样是走 14,000 步,Claude 只保留了 10 个文件,而且把这些文件整理进了不同目录。与此同时,它已经拿到了 3 枚道馆徽章,还把自己失败中学到的东西提炼了出来,变成了学习文件:

/gameplay/learnings.md:
- Bellsprout Sleep+Wrap combo: KO FAST with BITE before Sleep
 Powder lands. Don't let it set up!
- Gen 1 Bag Limit: 20 items max. Toss unneeded TMs before dungeons.
- Spin tile mazes: Different entry y-positions lead to DIFFERENT
 destinations. Try ALL entries and chain through multiple pockets.
- B1F y=16 wall CONFIRMED SOLID at ALL x=9-28 (step 14557)

上面这个例子体现了一种趋势。我之前也发表过类似观点:我们应该给 Claude 一些通用工具,让它自行管理上下文和行动。随着 Agent 智能水平的提升,Claude 会逐渐学会使用这些通用工具来解决问题。Agent 记忆,便是其中一个典型例子。

当 Claude 拥有一个通用的文件管理工具后,我们发现,它自己学会了哪些内容值得保存,也会学会了组织自己的记忆。Letta_AI 也发表过类似结论:文件系统比专门的记忆工具更有用。

Pokémon 的例子解释了为什么 Claude Managed Agents 选择用文件系统来承载记忆。文件使用标准文件工具,以 Claude 想要的方式自由组织。Claude 平台自身要做的事情很简单:通过记忆存储,把这些文件跨会话持久保存下来。记忆文件的保存形式,是以 workspace 工作区为作用域的一组文本文件集合,它们不会随着某一次会话结束而消失。

当用户把一个记忆存储挂载到某个会话中时,Claude 平台会把它当作一个目录挂载进容器,路径是:/mnt/memory/<store-name>/ 。同时,系统提示词里会自动添加一小段说明,告诉 Claude 这个目录在哪,方便后面它自行使用这部分记忆。

多个 Agent 可以访问同一个记忆存储,平台也会实时同步这些记忆:如果某个 Agent 修改了文件,挂载了同一记忆存储的其他 Agent 也能在自己的文件系统中看到本次修改。平台还会处理并发问题,确保 Agent 不会覆盖先前 Agent 写入的记忆更新。

文件系统还有一个额外好处:它们容易理解,也容易分享。在 Pokémon 的例子里,David SHershey 就可以直接下载、分享这些记忆文件。在 Claude Managed Agents 中,用户同样可以按照下面方式,来导出记忆:

client.beta.memory_stores.memories.list(store_id, view="full")

这样一来,我们就可以用一个很简单的方式来理解 Managed Agents 里的上下文:一部分是会话日志(session log**),另一部分是记忆存储(memory store)**。正如 mc_anthropic、gcemaj 和我之前写过的那样,在完成任务的过程中,Claude 可以不断获取并转换会话上下文。会话本身存在于上下文窗口之外,这一点有不少好处。如果 Claude 想把某些上下文保存到未来的会话中,就可以把相关内容写进记忆存储中。

如果你想上手试试的话,可以查看我们的文档,或者使用我们的 claude-api skill。这个 skill 已经内置在 Claude Code 中,用户只需要运行:/claude-api。

从业者怎么看?

Leo Tavares 是 Google DeepMind 的 AI Engineer,前 OpenAI 员工,也是 AI Agent 工程化方向的活跃作者。以下是他的看法:

有状态记忆(stateful memory)是 Agent 摆脱“高级脚本”阶段的唯一途径。当一个 Agent 不用每次都往提示词里塞入 10 万个 token,能够在多轮交互中真正持久化上下文时,我们才能解锁 Agent 的真正自主性。

他们是谁?

@tedsumers:Theodore Sumers 是 Anthropic 的 Research Scientist,研究方向偏 AI safety、语言**智能体、LLM 的沟通/监督/对齐、Computer Use 监控**

  • 早期是 Princeton 认知科学 / 计算认知科学方向博士,研究人类沟通、强化学习、决策理论和语言如何教会 AI;

  • 论文 《Cognitive Architectures for Language Agents》 的作者之一,这篇文章提出了 CoALA 框架,用认知科学视角整理 language agents 的记忆、动作空间和决策过程;

@sarahwooders:Sarah Wooders 是 Letta 联合创始人兼 CTO,UC Berkeley 计算机博士,长期研究 AI Agent 的长期记忆与可解释记忆系统。她参与构建的 MemGPT / Letta 是当前 Agent memory 方向很有代表性的项目。

@charlespacker:是 Letta 联合创始人兼 CEO,也是 MemGPT 的创建者,UC Berkeley AI 博士背景。他主要关注有状态 AI Agent、长期记忆和 Agent 操作系统等方向;

@mc_anthropic:Michael Cohen 是 Anthropic 的团队成员,近期主要分享 Claude Agent、Managed Agents API 和 MCP / 工具调用相关内容;

@gcemaj:Gabe 是 Anthropic 的 Claude Platform 产品负责人。他近期加入 Anthropic,负责 Claude 平台侧的产品工作,关注 Claude API、Agent 能力和开发者生态;

相关文章
|
5月前
|
机器学习/深度学习 数据采集 SQL
小模型也能做 Agent?阿里最新的 AgenticQwen 论文讲了什么
这篇论文讨论了一个很实际的工程问题:在真实的工业场景中,Agent 往往不只是要会聊天,还要具备多步推理、调用工具的能力。但受限于工业生产环境对成本的控制和延迟的要求,不适合把所有任务都交由大模型来处理。
536 3
小模型也能做 Agent?阿里最新的 AgenticQwen 论文讲了什么
|
5月前
|
人工智能 运维 监控
阿里云的 Agent Infra 长什么样
分享了团队在 Agent 工程化领域的完整思考与产品实践,从构建、部署到规模化运行,如何用一套 Agent Infra 覆盖智能体的开发-运行-治理-运维-优化全周期。
|
5月前
|
缓存 并行计算 测试技术
如何在单张 RTX 3090 上让 Qwen3.5-27B token 生成速度提升 6 倍
本文系 trycua 团队的工程实践分享,Cua 是由该团队打造的一个面向 macOS 设计的开源 AI Agent 框架。下文采用第一视角来讲述他们在 RTX 3090 上的提速实践。
923 3
|
4月前
|
人工智能 缓存 API
CC-Switch 完全上手教程:从供应商切换器到 AI CLI 一体化管理平台
CC-Switch 是一款开源跨平台AI编程工具总控台,支持Windows/macOS/Linux,一键统一管理Claude Code、Codex、Gemini CLI等工具的API供应商、MCP服务器、Skills扩展及系统提示词,告别手动修改配置文件的繁琐与错误。
CC-Switch 完全上手教程:从供应商切换器到 AI CLI 一体化管理平台
|
5月前
|
人工智能 安全 JavaScript
Win11 用户狂喜 OpenClaw 一键部署,办公效率直接翻倍
OpenClaw 2.7.5 是面向Windows的本地化AI智能体工具,支持一键部署、离线运行与数据零上传。集成400+大模型及系统级功能(文件/浏览器/键鼠自动化),内置全环境依赖,无需配置。适配Win10/11,要求4GB内存+10GB磁盘,部署后即可快速启用私有AI助手。
|
5月前
|
人工智能 安全 开发者
把大佬的方法装进你的 AI 技能包!假期值得试试的 6 个有趣 Skill
有开发者把马斯克、巴菲特、大神 Karpathy,还有一些知名博主的工作方法,做成了可以直接在终端(比如 Claude Code)里调用的 Skill。
583 0
把大佬的方法装进你的 AI 技能包!假期值得试试的 6 个有趣 Skill
|
5月前
|
人工智能 Linux API
hermes agent 部署实战:环境准备、模型接入与网关配置4.0版
Hermes Agent 是 Nous Research 于 2026 年开源的 MIT 协议 AI 智能体框架(Python 实现,v0.14.0)。采用任务驱动架构,支持技能自动沉淀、持久化记忆、原生多工具链(搜索/终端/文件/浏览器)、并行任务处理及跨平台部署(Linux/macOS/Windows+WSL2),开箱即用。
|
12月前
|
人工智能 Linux C++
VideoLLaMA 3新一代前沿多模态基础模型赋能图像与视频深度理解| LLM | 计算机视觉
VideoLLaMA 3是2025年发布的前沿多模态模型,深度融合视觉、音频与语言,支持长视频、高分辨率图像理解及视听融合推理。基于Llama 3架构,具备强大时空因果分析能力,适用于复杂视频理解任务,已在Lab4AI平台开放复现。
927 1
VideoLLaMA 3新一代前沿多模态基础模型赋能图像与视频深度理解| LLM | 计算机视觉
|
5月前
|
人工智能 IDE 安全
Qoder CN(原通义灵码)全解析:产品形态、版本划分与技术适配与选型建议
2026年阿里云旗下原通义灵码(Lingma)正式品牌升级为**Qoder CN**,并从单一IDE插件进化为覆盖编码、办公、终端、移动端的全场景AI智能体产品矩阵。此次升级不仅是名称变更,更是产品定位从“代码生成工具”向“全栈智能研发助手”的战略跃迁,核心能力、计费模式、适配生态全面迭代,同时延续本土化优化、数据安全合规的核心优势。本文将从产品形态、版本划分、技术适配、核心能力、计费规则、选型建议六大维度,结合2026年官方最新文档,全面拆解Qoder CN产品体系,帮助个人开发者、技术团队、企业用户清晰理解产品价值,快速完成部署与选型,全文兼具理论深度与实操指导,适配不同规模用户的需求。
2361 0
|
5月前
|
算法 前端开发 API
快手Keye2.0开源:将DSA注意力引入多模态,开启强化推理新范式
快手开源多模态大模型Keye-VL-2.0-30B-A3B,首创将DSA稀疏注意力引入视频理解,支持256K超长上下文,Prefill成本降50%。在TimeLens、LongVideoBench等基准全面超越同级模型,甚至优于200B+开源模型,兼具强视频理解与多步Agent能力。
621 0
快手Keye2.0开源:将DSA注意力引入多模态,开启强化推理新范式