# Anthropic 分享 Claude Code 记忆管理方法论：四层架构与"做梦"机制

- 来源：Berryxia.AI (@berryxia)
- 发布时间：2026-06-28 00:26
- AIHOT 分数：51
- AIHOT 链接：https://aihot.virxact.com/items/cmqwmotnl01tcsly0gz1cbfcb
- 原文链接：https://x.com/berryxia/status/2070906745304859056

## AI 摘要

Anthropic 应用 AI 负责人 Lamis 在 2026 年 AI DevCon 上介绍 Claude Code 记忆管理。起点是 CLAUDE.md 纯文本文件，但会上下文膨胀。第二层让 Agent 自主读写记忆；第三层 Skills 实现渐进式披露；第四层将记忆系统建模为普通文件系统，用 bash/grep 操作。生产环境设版本控制、哈希并发控制、权限分层和干净 API 四道防线。核心“做梦”机制是带外异步处理：专用 Agent 分析会话记录、识别模式并建议更改，已投入生产，能降低延迟和成本。

## 正文

Claude Code用户你知道吗？
你每天都在浪费一个功能！90%的都不知道！

Anthropic负责应用AI的负责人，刚做了一场2026年关于Agent记忆管理最实用的演讲 （晚点视频我更新到主页）。

他叫Lamis。
他和那些在前沿构建Agent的初创公司直接合作。

他拆解了Anthropic构建Agent记忆系统的完整方法论。

四层。

每一层解决了前一层的一个致命问题。

起点是一个Markdown文件。

他们在每次会话开头放一个CLAUDE.md文件，代码库结构。

组织信息，个人偏好，纯文本。

Anthropic的评价是"unreasonably effective"。
一个简单的文本文件，效果超过了复杂的Prompt工程方案。

但文件越来越长，上下文膨胀。会话空间不够。这条路撞墙了。

于是他们做了记忆工具。

让Agent自己决定什么时候读取、什么时候写入、什么时候更新记忆。
全部在带内完成，也就是在会话上下文中进行。

让他们意外的是：Agent判断什么值得记住的能力，比人类还强。自主性在这种场景下运作得非常好。

第三步是Skills。

核心思想是渐进式披露。Agent只看文件顶部几行前言，决定是否需要加载整个文件。

Lamis的比喻很精准，房间里有一个书架。有人跟我说法语，我扫一眼书名，找到法语词典，抽出来读。
不需要把七年的法语课都塞进脑子里。

第四步最简单。

他们把整个记忆系统建模为普通文件系统。Markdown文件。bash，grep。
不需要向量数据库。不需要专门的工具。Agent本来就擅长搜索文件。

但生产环境暴露了新问题。

多个Agent同时写入同一个记忆文件。
一个Agent往组织级上下文写入错误信息，所有Agent全部受影响。
记忆过时了怎么办。有人通过提示词注入向记忆中写入恶意内容怎么办。

Anthropic设计了四道防线。版本控制，能回滚。基于哈希的并发控制。权限分层，组织级只读，Agent草稿区可写。干净的API保证可移植性。

然后是最有意思的部分：做梦。

带内记忆有一个根本性局限。
Agent既要完成任务，又要管理记忆。两个竞争性目标。
而且Agent只能看到当前会话的信息，识别不了跨会话的模式。

做梦是一个带外的异步处理过程。

它取一段时间内的所有会话记录，交给一个专门的Agent分析。这个Agent查看记忆存储，识别模式，提出更改建议。

就像一个校长审查所有学生的作业。发现每个地理学生都在同一道题上答错。查了课程表，发现整个主题根本没有教。

做梦有自己的专用资源，不和任务执行竞争上下文。

Anthropic已经在生产中跑这套系统了。

Agent第二次执行同一个任务时表现更好。成本降低，因为能一次性完成。延迟下降。做梦消耗的额外token，被任务本身的效率提升抵消了。

Lamis最后说了一句话：模型智能本身不会产生复利。它需要上下文来执行你交给它的具体任务。

上下文工程的效果是倍增智能，即使模型本身变得更聪明，这个投资依然有价值。

这场演讲来自2026年AI DevCon。值得花半小时看看。