Claude implémente une mémoire d’agent structurée via le rêve et le sommeil‑compute

Présentation

Anthropic décrit la mémoire d’agent comme l’ensemble des connaissances que Claude conserve entre les sessions, stockées sous forme de notes de mémoire lisibles ultérieurement. Cette mémoire exclut les modifications de poids, l’apprentissage en‑contexte et la compaction de contexte. Le processus de dreaming, inspiré du replay hippocampique pendant le sommeil humain, utilise le temps d’inactivité du modèle pour réorganiser, annoter et synthétiser les logs d’interaction.

Architecture de la mémoire d’agent

Claude peut marquer les événements saillants en temps réel et les écrire dans un répertoire de notes. Les notes sont organisées en fichiers individuels (ex. : dossiers de 225 folders pour Sonnet 3.7) ou consolidées en un document de référence (ex. : Opus 5). La capacité de prédire la pertinence future d’une information se traduit par la création de règles explicites, comme le montre le benchmark CL‑Bench 1.0 où chaque réponse erronée déclenche l’écriture d’une règle corrective.

Les versions de modèle évaluées – Sonnet 4.6, Opus 4.7, Sonnet 5, Opus 5, Opus 5.5 et Sonnet 5.5 – illustrent une progression : les premiers génèrent des hypothèses non testées, les suivants consolident les faits vérifiés et, à partir d’Opus 5, le boucle d’apprentissage se ferme, chaque entrée contenant la règle, la preuve de validité et les avertissements associés.

Évaluations expérimentales

Dans CL‑Bench 1.0, Claude a démarré chaque question dans une session vierge, à l’exception d’un accès persistant à un répertoire de mémoire. Opus 5 a atteint le meilleur score en stockant des règles validées, tandis que Sonnet 5 a obtenu un résultat comparable grâce à un niveau de performance de base légèrement supérieur.

Le test avec le jeu Pokémon Red a mis en évidence la capacité de jugement de salience. Sonnet 3.7 a créé 413 fichiers répartis sur 225 dossiers, enregistrant chaque combat, objet ou PNJ, et n’a obtenu qu’un seul badge. En revanche, Fable 5 a limité son stockage à neuf fichiers dans deux dossiers plus un fichier global.md, concentrant les notes sur stratégies et plans, et a remporté quatre badges. Cette différence montre que la surcharge de mémoire (fichiers redondants comme le montant d’argent ou la position sur la carte) augmente le temps de recherche et diminue l’efficacité de l’agent.

Limites et perspectives

Le principal goulot d’étranglement identifié est la gestion de la pertinence : sans mécanisme de désélection automatique, les modèles peuvent accumuler des données obsolètes, comme le démontrent les 17 étapes où Sonnet 3.7 a créé six fichiers puis en a supprimé neuf sans agir dans le jeu. Le processus de dreaming, bien que bénéfique, dépend de la capacité du modèle à identifier les signaux de salience en temps réel, un problème non résolu dans les versions antérieures.

Future work devrait explorer des algorithmes de priorisation basés sur la fréquence de replay ou des métriques de confiance, afin de réduire le bruit de la mémoire et d’optimiser le temps de calcul pendant les phases de sommeil‑compute. Une meilleure intégration du dreaming pourrait également permettre la génération automatique de résumés hiérarchiques, limitant le nombre de fichiers tout en conservant les règles critiques.