Anthropic wprowadził funkcję o nazwie „śnienie”, która pozwala Claude Managed Agents wycofać się z aktywnej pracy, przeanalizować wcześniejsze sesje i uporządkować wspomnienia bez jakichkolwiek zmian w bazowym modelu. Firma zaprezentowała tę funkcję 6 maja 2026 r. podczas konferencji dla deweloperów Code with Claude w San Francisco.

Nazwa nawiązuje do konsolidacji pamięci podczas snu, kiedy mózg odtwarza i porządkuje doświadczenia z danego dnia. W tym przypadku mechanizm jest całkowicie programowy: w modelu nic się nie zmienia, a modyfikowane są wyłącznie notatki, które agent prowadzi na temat własnej pracy.

Według Anthropic proces porządkuje wspomnienia, koryguje błędy i ułatwia Claude odnajdywanie właściwych informacji podczas kolejnych sesji. We wczesnych testach z firmą Harvey, zajmującą się prawniczą AI, wskaźnik realizacji zadań na realistycznych benchmarkach prawniczych miał wzrosnąć sześciokrotnie po zastosowaniu śnienia.

Jak działa śnienie

Agent zapisuje notatki podczas pracy, w czasie rzeczywistym, nie wiedząc z wyprzedzeniem, które szczegóły okażą się później istotne. W trakcie wielu sesji notatki gromadzą się — pojawiają się duplikaty, sprzeczności, częściowo przydatne obserwacje oraz sporadyczne, naprawdę wartościowe wnioski ukryte na samym końcu. W przypadku agentów, których praca trwa dni lub tygodnie, a nie ogranicza się do jednej rozmowy, taki nagromadzony notatnik może stać się równie dużą przeszkodą co pomocą.

Śnienie pełni funkcję procesu porządkowania. Działa asynchronicznie, w tle, dzięki czemu nie przerywa agentowi pracy w połowie zadania. Każde uruchomienie może przetworzyć od jednego do 100 transkryptów sesji. System analizuje je, łączy powielone wpisy i ma usuwać sprzeczności z pamięci roboczej agenta.

Funkcja wyszukuje również wzorce, wskazując błędy, które agent stale powtarza, oraz procedury konsekwentnie przynoszące rezultaty. Wynikiem jest oczyszczony i uporządkowany magazyn pamięci. Co istotne, oryginalne dane wejściowe pozostają nienaruszone, więc nic nie jest nadpisywane w miejscu.

Notatki, nie neurony

Jeden szczegół ma większe znaczenie niż chwytliwa nazwa: śnienie nie zmienia bazowych wag modelu Claude. Zamiast tego wnioski są przechowywane w postaci zwykłych notatek tekstowych i ustrukturyzowanych instrukcji. Agent nie staje się innym modelem — otrzymuje lepiej uporządkowany notatnik. Takie ujęcie odróżnia tę funkcję również od ponownego trenowania: ulepszenia gromadzą się w plikach, które zespół może przeczytać i zatwierdzić, a nie w parametrach zamkniętych wewnątrz sieci.

Użytkownicy zachowują także kontrolę nad sposobem stosowania aktualizacji. Mogą zdecydować, czy zmiany w magazynie pamięci mają być wprowadzane automatycznie, czy też przed zastosowaniem oczekiwać na ręczną akceptację.

W ramach wersji badawczej śnienie obsługuje trzy modele: claude-opus-4-8, claude-opus-4-7 oraz claude-sonnet-4-6. Dostęp jest ograniczony: organizacje muszą złożyć wniosek o dostęp do funkcji, dlatego obecnie nie może jej włączyć każdy deweloper korzystający z Claude.

Dlaczego sześciokrotny wynik Harvey ma znaczenie

Wynik Harvey to najważniejsza przytaczana metryka, a pochodzi z wymagającej dziedziny. Praca prawnicza premiuje precyzję i nie toleruje niespójności, co czyni ją rozsądnym testem obciążeniowym pamięci agenta.

Nadal mowa jednak o jednym partnerze i jednej kategorii benchmarków. Wyniki pojedynczego wczesnego testera w ramach wersji badawczej są sygnałem, a nie gwarancją skuteczności funkcji we wszystkich branżach. Pełniejsza ocena będzie zależeć od szerszej dostępności, która obecnie wymaga zatwierdzonego wniosku.

Szerszy obraz agentów AI

Śnienie pojawiło się na konferencji wraz z innymi uzupełniającymi funkcjami. Od tego czasu funkcje te przeszły do szerszej publicznej wersji beta, podczas gdy śnienie nadal pozostaje objęte procedurą składania wniosków o dostęp.

Ponieważ wnioski są przechowywane w zwykłym tekście i ustrukturyzowanych instrukcjach, człowiek może rzeczywiście przeczytać, co agent uznał za swoją wiedzę.

Warto również obserwować związane z tym ryzyka. Każdy system, który podsumowuje i konsoliduje informacje, może także konsolidować błędy — uznać niewłaściwą lekcję za właściwą i starannie ją zarchiwizować. Decyzje projektowe Anthropic — zachowanie oryginałów i możliwość ręcznej akceptacji — wydają się być bezpośrednią odpowiedzią na ten problem.

Dla zespołów oceniających tę funkcję konkretne znaczenie będą miały trzy kwestie: czy dostęp zostanie rozszerzony poza obecny system wniosków, czy Harvey lub inni partnerzy opublikują pełniejsze wyniki oraz czy ręczna akceptacja okaże się praktyczna przy dużej skali. Żadne z tych pytań nie doczekało się jeszcze rozstrzygnięcia.

Informacja: Pierwotny materiał został zredagowany przez Diego Almada Lopez.