Anthropic 做了一个很有意思的宝可梦实验,同样是玩宝可梦红版、跑大约 10000 步,Claude Sonnet 3.7 一股脑记录所有信息,建了 413 个记忆文件,最后只拿到 1 个徽章;而新版模型懂得筛选信息、主动遗忘无效内容,只保留少量关键记录,就能拿到 4 个徽章,这个实验直观说明,AI 智能体想要做好长期任务,重点不是记住越多越好,而是要学会取舍、忘掉过时、没用的信息。旧版模型不管是一场战斗、捡到道具、碰到 NPC,都单独建文件存下来,大量冗余、随时会失效的信息塞满记忆库,到后面智能体大量时间都在新增、删除、整理文件,根本没时间推进游戏任务,很多记录随着游戏状态变化直接失效,反而变成干扰。而会遗忘、会筛选的智能体,只留存策略、规则、长期目标这类不会快速变化的核心信息,屏幕上随时能看到的血量、位置、道具数量这类动态信息不重复保存,减少记忆负担,决策速度和任务完成度明显提升。
两种智能体记忆方式对比
| 模型版本 | 记忆文件数量 | 拿到徽章数量 | 记忆策略特点 |
|---|---|---|---|
| Sonnet 3.7 | 413 个 | 1 个 | 全盘记录,战斗、道具、NPC 信息全部存档,不筛选,不主动遗忘 |
| Fable 5 | 10 个(9 个文件 + 1 个总览文件) | 4 个 | 只存策略、计划、规则,动态信息不保存,自动过滤无效内容 |
Anthropic 给出的智能体记忆优化思路
- 区分信息类型:动态实时信息(坐标、血量、当前道具)直接读取环境,不长期存档;策略、经验教训、长期目标这类稳定信息才存入记忆。
- 增加遗忘机制:定期清理过期、错误、重复的记忆,避免旧信息误导后续判断。
- 配套 “做梦” 整理机制:在任务间隙,后台复盘日志、修正错误笔记、精简记忆,相当于给智能体做记忆梳理。
- 分层索引存储:顶层只放简短索引,细节内容按需调取,不用一次性加载全部记忆文件,降低计算压力。
这个宝可梦实验不是说 AI 不需要记忆,而是给智能体的长期任务能力指明方向,记忆的价值在于筛选,合理的遗忘和精简,才能让 AI 智能体持续稳定推进复杂任务,不会被海量无效信息拖垮。
【常见问题】
问题 1:AI 智能体在宝可梦测试里,建 413 个文件为什么只拿到 1 个徽章?
回答 1:这个 AI 智能体不加筛选记录所有信息,生成 413 个文件,大量都是随时会失效的动态信息,冗余信息太多,智能体耗费大量步骤管理文件,没法专心推进宝可梦主线,所以只拿到 1 个徽章,也体现出智能体学会遗忘的重要性。
问题 2:AI 智能体学会遗忘,是不是直接删掉所有记忆?
回答 2:不是的,AI 智能体学会遗忘不是全部清空记忆,而是选择性丢弃过时、重复、随时能从环境获取的信息,保留策略、目标、经验这类核心记忆,在宝可梦实验里,精简记忆的模型正是靠这个方式拿到更多徽章。
问题 3:Anthropic 的宝可梦智能体实验,里面的 “做梦” 机制和遗忘有什么关系?
回答 3:“做梦” 是智能体在任务间隙复盘、校验记忆的过程,它会发现错误笔记、淘汰过时记录,辅助完成遗忘和精简,让宝可梦这类长周期任务里的智能体记忆保持干净有效。
【参考资料】
[2026-11-09](Claude “做梦” 机制大公开,AI 睡一觉学会通关宝可梦)36 氪
[2026-11-07](The components of agent memory)Anthropic 官方博客
[2026-11-07](Claude dreaming, Anthropic reveals how it tests agent memory)pasqualepillitteri.it
[2026-11-07](AI Agent 记忆研究:宝可梦实验直观对比记忆取舍效果)微博科技博主
【免责声明】
本文内容仅为 AI 技术科普,实验结果为单次测试案例,不代表所有 Claude 模型的通用性能表现。AI 智能体的记忆、遗忘机制仍在持续研发迭代,相关技术方案效果受任务场景、模型版本、参数配置影响,不构成技术落地指导。
