Claude „träumt“: Wie Anthropic seinen KI-Agenten das Aufräumen von Erinnerungen beibringt

Worum es geht

Kann eine KI träumen? Anthropic, das Unternehmen hinter dem Sprachmodell Claude, verwendet zumindest das Wort. Am 6. November 2026 hat die Firma eine Forschungsarbeit mit dem Titel „The components of agent memory“ (etwa: „Die Bausteine des Agenten-Gedächtnisses“) veröffentlicht. Es geht darum, wie KI-Agenten Wissen über mehrere Arbeitssitzungen hinweg behalten, prüfen und ordnen. KI-Agenten sind Programme, die selbstständig mehrstufige Aufgaben erledigen, statt nur einzelne Fragen zu beantworten.

Im Mittelpunkt steht ein Verfahren, das Anthropic „Dreaming“ nennt. Wenn Claude gerade nichts zu tun hat, geht es frühere Sitzungen noch einmal durch, entdeckt falsche Einträge in seinen Notizen, verbessert sie und baut daraus geordnetes Wissen für spätere Gespräche auf. Mit menschlichen Träumen hat das laut Interesting Engineering wenig zu tun. Anthropic orientiert sich aber an einem Vorgang im Gehirn: Der Hippocampus hält Erlebnisse in Echtzeit fest, und im Schlaf werden sie zu dauerhaftem Wissen in der Großhirnrinde verfestigt.

Ganz neu ist die Funktion nicht. Wie Crypto Briefing berichtet, hat Anthropic Dreaming bereits am 6. Mai 2026 auf seiner Entwicklerkonferenz „Code with Claude“ in San Francisco vorgestellt. Damals ging es um eine Funktion für Claude Managed Agents, also von Anthropic betriebene Agenten. Die neue Studie liefert jetzt Experimente und Zahlen dazu.

Das Problem: Was ist es wert, sich zu merken?

Claude kann bei der Arbeit nützliche Informationen in Gedächtnisdateien ablegen, das sind einfache Textnotizen, die eine spätere Sitzung wieder lesen kann. Die Schwierigkeit liegt in der Auswahl. Wer alles aufschreibt, erstickt in Unordnung. Wer zu wenig aufschreibt, lässt künftigen Sitzungen wichtigen Kontext fehlen. Anthropic spricht hier von Salienz, also davon, wie bedeutsam eine Information ist.

Getestet hat das Team das mit dem Gameboy-Klassiker Pokémon Red. Claude sollte sich durch die Spielwelt bewegen und Orden sammeln. Nach rund 10.000 Spielschritten verglichen die Forschenden zwei Modelle:

Interesting Engineering nennt 10 Dateien für Fable 5, Blockchain.news spricht von neun. Klar ist so oder so: Das ältere Modell schrieb fast alles mit und kam kaum voran. Fable 5 notierte vor allem Navigationsstrategien und Lehren aus dem Spiel und führte eine zentrale Datei mit seinen aktuellen Zielen und geplanten Schritten. So musste es Informationen nicht doppelt verarbeiten, die ohnehin auf dem Bildschirm des Spiels standen. Nützliche Entdeckungen gingen trotzdem zwischen den Sitzungen nicht verloren.

In einem weiteren Test mit dem Continual Learning Bench (CL-Bench) 1.0, einem Test dafür, wie gut ein Modell über die Zeit dazulernt, sollte Claude Datenbankabfragen beantworten und sich dabei Notizen für später machen. Laut Blockchain.news gelang es Claude Opus 5 und Opus 5.5 besser als Sonnet 4.6 und Opus 4.7, „den Lernkreis zu schließen“. Gemeint ist: Sie hielten geprüfte Regeln fest und notierten mögliche Fallstricke.

Dreaming korrigiert falsche Erinnerungen

Notizen können auch falsch sein. Dann ist es gefährlich, wenn spätere Sitzungen sie als gesicherte Tatsache behandeln. Auch das zeigte ein Pokémon-Experiment: Claude hatte die Lage eines Pokémon-Centers in der Nähe des Mondbergs (Mt. Moon) falsch notiert. Nach dem Verlassen des Gebäudes wusste es deshalb nicht, wo es war. Immer wieder sprang es über eine Klippe, die sich nur in eine Richtung überqueren lässt, und landete auf einer früheren Route.

Die Lösung war eine nachträgliche Überprüfung. Claude verglich seine Notizen mit dem Originalprotokoll der Sitzung, fand den falschen Ort und korrigierte die Datei. Danach ging es wieder in den Mondberg und erreichte schließlich Azuria City (im Original Cerulean City). Die Version mit der falschen Notiz scheiterte immer wieder am selben Hindernis und kam nie ans Ziel.

Vom Notizzettel zum Firmen-Wiki

Dreaming soll auch große Dokumentsammlungen in vernetzte Wissenssammlungen verwandeln, die wie ein Wiki aufgebaut sind: einzelne Seiten, die aufeinander verweisen. Für ein Experiment nutzte Anthropic rund 350.000 interne Dokumente des Softwareunternehmens Stainless, zusammen etwa 420 Millionen Tokens. Tokens sind die Wort- und Silbenstücke, in denen Sprachmodelle Text verarbeiten. Über 128 Sitzungen hinweg baute Claude daraus Schritt für Schritt ein Wiki auf und verbesserte es. Bei 25 Bewertungsfragen stieg die Trefferquote von 13 auf 48 Prozent. Laut Blockchain.news ist das der Sprung von zwei auf 128 Dreaming-Sitzungen.

In einem zweiten Versuch ging es um Dokumente zu einer Firmenübernahme. Für Fragen, deren Antwort Informationen aus mehreren Dokumenten erforderte, kam Claude mit seinem Wiki auf 87 Prozent richtige Antworten. Eine reine Dokumentensuche schaffte 73 Prozent. Außerdem kann Dreaming Informationen umsortieren: Was häufig gebraucht wird, wandert in den direkt verfügbaren Kontext, also das Material, das das Modell bei jeder Anfrage sofort vor sich hat. Seltener Benötigtes bleibt in durchsuchbaren Dateien.

So funktioniert die Funktion in der Praxis

Technisch steckt dahinter eine Dreams API, eine Programmierschnittstelle für Entwickler. Sie nimmt einen bestehenden Gedächtnisspeicher und 1 bis 100 Sitzungsprotokolle entgegen und arbeitet asynchron, also im Hintergrund, ohne einen laufenden Agenten zu unterbrechen. Laut Crypto Briefing führt sie doppelte Einträge zusammen, soll Widersprüche entfernen und Muster finden, etwa Fehler, die der Agent immer wieder macht, oder Arbeitsabläufe, die zuverlässig funktionieren. Heraus kommt ein aufgeräumter, neu geordneter Speicher. Die Originaldaten bleiben unverändert.

Wichtig ist dabei: Dreaming verändert nicht die Modellgewichte von Claude. Das Modell lernt also nicht im eigentlichen Sinne dazu. Was es „lernt“, landet als Klartextnotiz oder als strukturiertes „Playbook“, eine Art Handlungsanleitung. Crypto Briefing bringt es auf den Punkt: Der Agent wird kein anderes Modell, er bekommt ein besser sortiertes Notizbuch. Nutzer können festlegen, ob Änderungen automatisch übernommen werden oder erst nach ihrer Freigabe.

In der Research Preview, einer frühen Testphase, unterstützte Dreaming zum Start laut Crypto Briefing die Modelle claude-opus-4-8, claude-opus-4-7 und claude-sonnet-4-6. Unternehmen müssen den Zugang beantragen. Andere Funktionen, die auf derselben Konferenz vorgestellt wurden, sind inzwischen in einer breiteren öffentlichen Beta, Dreaming dagegen nicht. Als bisher eindrucksvollste Zahl nennt Anthropic einen frühen Test mit dem Legal-KI-Unternehmen Harvey: Bei realistischen juristischen Benchmarks soll sich die Quote erledigter Aufgaben nach dem Dreaming versechsfacht haben.

Einordnung

Das Gedächtnis gilt als eine der größten Schwachstellen heutiger KI-Agenten. Jede Sitzung beginnt praktisch bei null, und lange Aufgaben über Tage oder Wochen scheitern oft daran, dass Wissen verloren geht oder falsch weitergetragen wird. Anthropics Botschaft lautet: Bloßes Abspeichern reicht nicht. Ein brauchbares Gedächtnis braucht auch Prüfung anhand von Belegen, Korrektur, Ordnung und gezielten Abruf. Das ist eine nachvollziehbare und gut belegte Sicht. Ein Vorteil ist außerdem, dass die Notizen im Klartext vorliegen. Menschen können also nachlesen, was der Agent zu wissen glaubt.

Es gibt aber Einschränkungen. Fast alle Zahlen stammen von Anthropic selbst und aus ausgewählten Testszenarien. Das Pokémon-Beispiel vergleicht zudem zwei sehr unterschiedliche Modellgenerationen, der Unterschied geht also nicht allein auf das Gedächtnis zurück. Der Harvey-Wert kommt von einem einzigen Partner in einer einzigen Branche, Crypto Briefing nennt ihn „ein Signal, keine Garantie“. Anthropic räumt selbst ein, dass die Pflege des Gedächtnisses Rechenleistung kostet und zu viele Informationen spätere Sitzungen überfordern können. Und ein System, das zusammenfasst und verdichtet, kann auch Fehler verfestigen, also die falsche Lehre ziehen und sie sauber ablegen. Dass die Originale erhalten bleiben und Änderungen manuell freigegeben werden können, soll genau das verhindern. Ob das im Alltag reicht, muss sich erst zeigen. OpenAI und Google arbeiten ebenfalls an dauerhaftem Gedächtnis für ihre Assistenten. Anthropic legt mit dieser Studie aber besonders detailliert offen, wie es das Problem angehen will.