Anthropic estudió cómo Claude retiene conocimiento de una sesión a otra. Sus pruebas muestran que las notas selectivas funcionan mejor que los archivos exhaustivos, y que hacer que Claude revise sus propios recuerdos después del trabajo permite corregir errores, informó The Decoder el 16 de noviembre de 2026.
Cualquiera que trabaje varios días con un agente de IA en un proyecto choca rápido con el mismo muro. Cada sesión nueva parte desde cero. En una publicación de investigación, Anthropic describe cómo Claude debería conservar conocimiento entre sesiones sin que el modelo cambie. Claude escribe notas en una carpeta que puede volver a leer después.
Según Anthropic, el problema de fondo es la selección. El agente tiene que decidir en el momento qué podría servir más adelante, antes de saber qué viene, así que cada nota es una apuesta sobre el futuro.
Los agentes que guardan todo pierden el hilo
En una prueba de Anthropic con Pokémon Rojo, el antiguo Claude Sonnet 3.7 trató todo como potencialmente importante. En cerca de 10.000 pasos de juego creó 413 archivos en 225 carpetas, muchas veces uno distinto por cada batalla y por cada objeto que encontraba. Como el estado del juego cambia todo el tiempo, ese archivo envejece rápido. Hubo momentos en que el modelo no hacía otra cosa que reorganizar sus notas en lugar de jugar, y terminó con una sola medalla.
Una nota equivocada sobre la ubicación del Centro Pokémon hizo que Claude volviera a caer una y otra vez desde un borde.
El más reciente Claude Fable 5 limitó su memoria a unos pocos archivos y ganó cuatro medallas. No registró la información que ya estaba visible en pantalla. En cambio, anotó planes, estrategias y reglas que había comprobado. La comparación de Anthropic, eso sí, cubre una sola partida por modelo.
Anthropic recomienda explicarle a Claude para qué sirve la memoria y dejar que el modelo decida cómo usarla. En una prueba de referencia, según la empresa, instrucciones rígidas como "registra solo los errores" borraron la mayor parte de la ventaja de los modelos más capaces. Los modelos más antiguos, en cambio, sí se beneficiaron de instrucciones claras, por ejemplo la orden de leer de verdad sus notas antes de cada respuesta.
¿Qué es Dreaming y qué corrige?
El riesgo mayor viene de las notas erróneas en las que el agente confía a ciegas más tarde. Para eso existe Dreaming, una idea que se apoya en investigaciones de Letta y de la Universidad de California en Berkeley. Igual que el cerebro humano procesa experiencias durante el sueño, Claude repasa en una pausa las transcripciones de sesiones anteriores y contrasta sus notas con ellas. A partir de ese repaso construye las capas superiores de su memoria.
En la prueba de Pokémon, Claude había anotado mal en qué lado de una montaña estaba un punto de referencia. Confiando en esa nota, cayó tres veces en la misma trampa, llegó a querer rendirse y no cumplió su objetivo. Después de una pasada de Dreaming, detectó el error al comparar la nota con la transcripción y encontró el camino correcto. Solo con la nota corregida logró cruzar el Monte Moon hasta Ciudad Celeste.
Wikis construidas por el propio agente
Según Anthropic, Dreaming también sirve para ordenar bases de conocimiento más grandes. Claude armó una wiki enlazada a partir de unos 350.000 documentos internos de Stainless, una empresa de software que Anthropic compró. El proceso debe generar páginas nuevas y a la vez reparar vacíos, duplicados y enlaces rotos.
Mientras más tiempo trabajó Claude en esa wiki, mejor respondió preguntas. El mejor resultado llegó cuando pudo combinar la wiki con búsqueda, de modo que la wiki funcionó como complemento y no como reemplazo.
En otra prueba de Anthropic, esta vez con material legal, la wiki ayudó sobre todo en preguntas cuya respuesta estaba repartida en varios documentos. Claude obtuvo 87% con la wiki, contra 73% solo con búsqueda. En consultas simples de búsqueda puntual, la wiki rindió más o menos igual que la búsqueda, y en un caso llegó a ocupar más que los documentos de origen.
Lo que sigue abierto
Anthropic reconoce que quedan preguntas importantes sin resolver. Tomar notas a mitad de una tarea distrae al agente de su trabajo, Dreaming consume cómputo adicional y sus resultados llegan con retraso. Las wikis y las notas también necesitan mantención periódica, o se acumulan errores y alucinaciones.
La empresa advierte además contra cargar automáticamente demasiados recuerdos en cada sesión, porque ocupan contexto y arrastran cualquier nota mala a todas las sesiones futuras.
Todas estas pruebas son de Anthropic. La conclusión general es que una memoria útil para un agente depende menos de guardar lo máximo posible y más de conservar la información correcta y corregir los errores después.
Dreaming en productos de Anthropic, OpenAI y Google
Anthropic presentó Dreaming en mayo como vista previa de investigación para Claude Managed Agents, su plataforma en la nube para agentes de IA. El servicio lee un almacén de memoria existente y hasta 100 sesiones pasadas, elimina entradas duplicadas y desactualizadas, y crea un almacén reorganizado sin tocar el original. En su lanzamiento solo era compatible con Claude Opus 4.7 y Sonnet 4.6.
OpenAI también llama "Dreaming" a la memoria de ChatGPT, que renovó en junio. Ese sistema mantiene un perfil del usuario en segundo plano y corrige solo la información desactualizada. Según OpenAI, eso subió la precisión temporal de 52,2% a 75,1%.
Investigadores de Google y Google DeepMind también hacen "soñar" a sus agentes, pero usan ese proceso para mejorar la estrategia de búsqueda. Su agente recorre soluciones alternativas con resultados que ya tiene guardados, sin volver a llamar al modelo. Google construyó además WikiSkill, una wiki para agentes que, igual que el sistema de Anthropic, separa en capas distintas las transcripciones en bruto, el conocimiento destilado y las instrucciones específicas.




