Το «dreaming» βοηθά τον Claude να οργανώνει μνήμη και να κλείνει τον κύκλο μάθησης

Η Team Engineering παρουσιάζει πώς το «dreaming» και στοχευμένες σημειώσεις μνήμης βελτιώνουν την απόδοση του Claude σε μακρόχρονες εργασίες, μέσα από αξιολογήσεις σε CL‑Bench και Pokémon Red. Η ανάλυση δημοσιεύτηκε στις 6 Νοεμβρίου 2026 από την Team Engineering.

Η συζήτηση ξεκινά από μια ανθρώπινη αναλογία: ο ιππόκαμπος αποτυπώνει εμπειρίες γρήγορα και ο νεοφλοιός τις εδραιώνει σε βάθος χρόνου, συχνά όταν ο εγκέφαλος είναι «offline». Παρόμοια, οι πράκτορες μπορούν να αξιοποιούν περιόδους αδράνειας για να αναδιοργανώνουν τα αρχεία τους. Ερευνητές από Letta και UC Berkeley έχουν προτείνει «sleep‑time compute» για ανασύνταξη συμφραζομένων, ενώ η ίδια ιδέα εφαρμόζεται στη μνήμη μέσω αναστοχασμού πάνω στα logs —μια διαδικασία που συχνά αποκαλείται «dreaming».

Στην ανάρτηση περιγράφεται η έννοια της «μνήμης πράκτορα» ως γνώση που αποκτά ο Claude από εμπειρία (συνομιλίες και ανατεθειμένα καθήκοντα) και διατηρεί μεταξύ συνεδριών ως αναγνώσιμο πλαίσιο. Δεν περιλαμβάνει αλλαγές βαρών, in‑context learning ή compaction.

Όπως ο εγκέφαλος «μαρκάρει» σημαντικές αναμνήσεις για επανάληψη, ο Claude μπορεί να επισημαίνει κρίσιμα γεγονότα ή να τα γράφει σε «memory notes». Το ερώτημα είναι πώς κρίνει τι είναι σημαντικό προτού φανεί η χρησιμότητά του.

Ένα μέρος της μνήμης λειτουργεί ως πρόβλεψη: όταν ο πράκτορας γράφει έναν κανόνα, προεξοφλεί ότι αυτό το μοτίβο θα χρειαστεί ξανά. Στο CL‑Bench 1.0, όπου ο Claude απαντά σε ερωτήσεις με πρόσβαση σε βάση δεδομένων και μετά ενημερώνεται για τη σωστή λύση, η μνήμη στηρίζει έναν βρόχο μάθησης: καταγραφή αποτυχιών, διατύπωση και έλεγχος υποθέσεων, και απόσταξη σε κανόνες για το μέλλον.

Στα πειράματα με Claude Managed Agents, κάθε ερώτηση ξεκινούσε σε νέα συνεδρία, με πρόσβαση μόνο σε έναν επίμονο φάκελο μνήμης. Τα μοντέλα διαφοροποιήθηκαν στον τρόπο που οικοδόμησαν τον βρόχο μάθησης. Το Claude Sonnet 4.6 παρήγαγε θεωρίες για τα λάθη του, αλλά άφηνε σκόρπιες, αδοκίμαστες εικασίες. Το Claude Opus 4.7 ενοποίησε σημειώσεις σε ένα έγγραφο αναφοράς, σημαίνοντας τι είχε ελεγχθεί και τι έμενε αβεβαίωτο. Το Claude Sonnet 5 μαρκάριζε κάθε απάντηση ως επιβεβαιωμένη μετά τον έλεγχο και έγραφε διορθώσεις όταν είχε πέσει έξω.

Το Claude Opus 5 έκλεισε πρώτο τον βρόχο: οι περισσότερες εγγραφές του περιείχαν κανόνα (και τεκμηρίωση του γιατί ισχύει), προηγούμενες απαντήσεις και σαφείς προειδοποιήσεις για «παγίδες». Όπως το Opus 5, τα Claude Opus 5.5 και Claude Sonnet 5.5 αξιοποίησαν τη μνήμη για επικυρωμένους κανόνες που βελτιώνουν μελλοντικές απαντήσεις. Με μνήμη, είχαν παρόμοια επίδοση με το Opus 5, αν και το «baseline» χωρίς μνήμη ήταν ελαφρώς υψηλότερο.

Η ικανότητα κρίσης για το τι αξίζει να αποθηκευτεί δοκιμάστηκε και στο Pokémon Red. Κάθε μοντέλο είχε φάκελο μνήμης για ανάγνωση/γραφή. Στο περίπου 10.000ο βήμα, το Sonnet 3.7 είχε αποθηκεύσει σχεδόν τα πάντα: 413 αρχεία σε 225 φακέλους και μία κονκάρδα προόδου. Το Fable 5 είχε εννέα αρχεία σε δύο φακέλους, συν ένα global.md, και τέσσερις κονκάρδες.

Η λεπτομερής αρχειοθέτηση του Sonnet 3.7 γρήγορα απαξιωνόταν καθώς η κατάσταση του παιχνιδιού άλλαζε, αναγκάζοντας το μοντέλο να ψάχνει στα αρχεία αντί να παίζει. Γύρω στο 10.000ο βήμα άνοιξε τέταρτο «master» φάκελο, δημιούργησε έξι αρχεία, διέγραψε εννέα και δεν έκανε καμία ενέργεια εντός παιχνιδιού σε 17 βήματα.

Το Fable 5 εστίασε σε στρατηγικές, σχέδια και κανόνες που δεν προκύπτουν από την οθόνη κάθε γύρο, οργανώνοντας τη μνήμη του με ένα global.md (στόχος, σχέδιο για γυμναστήρια, ιδίοι κανόνες μνήμης), έναν φάκελο locations για διαδρομές και έναν gameplay για στρατηγικές. Ενδεικτικά, μετά από επτά αποτυχημένες προσπάθειες σύλληψης Magikarp, έγραψε: “If 3+ balls fail in a row, VARY the timing (insert extra ‘wait’ presses between menu steps) – the catch landed right after doing this.” Με μικρότερο αποτύπωμα μνήμης, προχώρησε περισσότερο από το Sonnet 3.7. Το Opus 5.5 ακολούθησε παρόμοια τακτική και τερμάτισε το παιχνίδι.

Στη «διόδευση» του Claude προς τη σωστή χρήση μνήμης, βοήθησε μια απλή καθοδήγηση για το σκοπό της μνήμης χωρίς συνταγές χρήσης. Στο CL‑Bench, η απλή ενημέρωση ότι υπάρχει φάκελος μνήμης αρκούσε για να ενισχύσει αισθητά την επίδοση των Opus 4.7 και Opus 5. Όταν δοκιμάστηκαν κανόνες όπως «record only failures», και τα δύο μοντέλα έχασαν μεγάλο μέρος του οφέλους. Τα ισχυρότερα μοντέλα απέδωσαν καλύτερα όταν έκριναν μόνά τους τη σημαντικότητα.

Η στόχευση βοήθησε κυρίως παλαιότερα μοντέλα. Το Sonnet 4.6 συχνά δεν διάβαζε τα αρχεία μνήμης και δεν επαλήθευε τις υποθέσεις του. Με ρητή υπόδειξη να διαβάζει τη μνήμη προτού απαντήσει και να τεστάρει τις θεωρίες του, η βαθμολογία του σχεδόν διπλασιάστηκε. Το Sonnet 5 το έκανε αυτόματα, διαβάζοντας τη μνήμη 9 στις 10 φορές· το Sonnet 4.6 το έκανε λιγότερο από τις μισές.

Επειδή οι σημειώσεις μνήμης γράφονται βάσει της κρίσης εντός συνεδρίας, σφάλματα ή «ολισθήσεις» μπορούν να περάσουν σε επόμενες. Το «dreaming» προσφέρει τρόπο ελέγχου των σημειώσεων έναντι των αρχικών απομαγνητοφωνήσεων. Σε δοκιμή με Managed Agents και προσαρτημένο φάκελο μνήμης στο Pokémon, ο Claude μπέρδεψε τη θέση του PokéCenter στο Mt. Moon. Κατέγραψε (λανθασμένα) ότι το PokéCenter ήταν στην ανατολή, βγήκε λέγοντας “Mt Moon is behind me,” και ενημέρωσε: “Mt Moon DONE.” Λίγο μετά έπεσε από μονόδρομη προεξοχή και κατέληξε πίσω στη διαδρομή από όπου ξεκίνησε. Το εργαλείο πλοήγησης δεν έδειχνε την πτώση και ο Claude συμπέρανε: “I overshot far west,” θεωρώντας ότι ήταν εξαρχής στη σωστή πλευρά — δεν ήταν.

Όταν «έτρεξε» dreaming πάνω στον φάκελο μνήμης με τη λάθος σημείωση, ο Claude έλεγξε την καταχώριση με το transcript, εντόπισε το λάθος και την ξαναέγραψε. Με τη διορθωμένη μνήμη, μπήκε ξανά στο Mt. Moon και έφτασε τελικά στο Cerulean City. Χωρίς διόρθωση, έπεσε τρεις φορές στην ίδια παγίδα, έγραψε “I’m going to stop rather than keep looping.”, έλαβε αυτόματη οδηγία να συνεχίσει και το «run» έληξε χωρίς να φτάσει ποτέ στο Cerulean City.

Πηγή: share.google.