Anthropic gir AI-agenter minne og «drømmefunksjon»

Kort fortalt

De fleste AI-agenter starter på nytt hver gang. De løser en oppgave, avslutter økten og mister det de lærte underveis. På utviklerkonferansen Code with Claude fortalte produktsjef Mahesh Murag hvordan Anthropic vil endre dette.

Han beskriver minne som den neste store byggeklossen for AI-agenter. Målet er å gjøre dem til systemer som lærer av erfaring, ikke bare engangshjelpere som må få alt forklart på nytt.

---

Minne som neste byggekloss

Murag jobber i plattformteamet hos Anthropic og har vært med på flere av selskapets viktigste agentverktøy, blant annet MCP og Skills. Nå mener han at minne er det som mangler for å få mer selvlærende agenter.

Poenget er enkelt: Modellene blir bedre, og agentene kan jobbe med stadig mer komplekse oppgaver i timer eller dager. Likevel starter de ofte uten å huske hva som skjedde forrige gang de gjorde noe lignende.

Med minne kan agenter ta vare på det de lærer underveis: hva som ofte går galt, hvilke strategier som virker, hvordan en kodebase henger sammen, og hva andre agenter i samme miljø allerede har funnet ut.

Det siste er særlig viktig. I store systemer kan mange agenter jobbe parallelt. Da kan de gradvis bygge en felles forståelse av miljøet de opererer i.

Hvorfor Anthropic bruker filsystem som minne

Anthropic lanserte minne for Claude Managed Agents i åpen testfase 23. april 2026. Det interessante er ikke bare at agentene får minne, men hvordan minnet er bygget.

Tidligere løsninger har ofte vært stramme og skjemabaserte. Agenten kunne legge igjen korte notater i en bestemt minnefil, gjerne med faste felter. Anthropic går en annen vei. De lar Claude håndtere minnet som et filsystem, med mapper og tekstfiler agenten kan lese, skrive og organisere med vanlige verktøy som bash og grep.

Tanken er den samme som med Skills: Hvis Claude allerede kan navigere i et virtuelt arbeidsmiljø og håndtere filer selv, hvorfor tvinge minnet inn i et låst skjema? La modellen selv vurdere hva som er verdt å huske, hvor mange filer minnet bør deles opp i, og hvilken struktur som passer best.

For en utvikler ligner det på å gi agenten en notatbok i stedet for et skjema. Notatboken kan organiseres etter behov, med kapitler, stikkord, oppsummeringer og arbeidsnotater.

Når mange agenter deler samme minne

I større selskaper kjører ikke én eller to agenter alene. Det kan være hundrevis eller tusenvis av agenter som jobber parallelt mot samme miljø. Hvis alle skal bruke samme minne, må systemet håndtere tre ting.

Først: tilgangsnivåer. En agent kan ha lesetilgang til ett minnelager og skrivetilgang til et annet. Organisasjonens rutiner, runbooks og retningslinjer bør kanskje bare kunne leses. Det agenten lærer underveis i en bestemt oppgave, kan lagres i et eget arbeidsminne.

Deretter: samtidighetskontroll. Hvis to agenter prøver å skrive til samme fil samtidig, må systemet hindre at den ene overskriver den andre uten å merke det. Anthropic bruker optimistisk samtidighetskontroll. Agenten sjekker at innholdet ikke er endret siden den leste det. Hvis noen andre har endret filen i mellomtiden, må agenten lese på nytt før den skriver.

Til slutt: revisjonslogg. Hver endring får tidsstempel, agent-ID og versjonshistorikk. Dermed kan utviklere se hva som ble endret, av hvem og når. På sikt kan også agentene selv bruke denne historikken for å forstå hva som har skjedd tidligere.

Minnet er også tilgjengelig via et eget API utenfor agentsystemet. Det betyr at bedrifter kan bygge egne rutiner rundt minnet, for eksempel for å skanne etter sensitive data, rydde opp jevnlig eller kopiere innholdet til andre systemer.

Dreaming: rydding mellom øktene

Den nye funksjonen Murag presenterte, heter Dreaming og lanseres som research preview, altså en tidlig testversjon.

Dreaming er en bakgrunnsprosess som går gjennom tidligere agentøkter og eksisterende minne. Den leter etter mønstre, feil og gjentakelser, og foreslår et ryddigere og mer oppdatert minnelager.

Den kan for eksempel fjerne duplikater hvis fem agenter har skrevet ned omtrent det samme. Den kan fjerne gammel informasjon som ikke lenger stemmer. Og den kan finne mønstre som ingen enkelt agent hadde nok oversikt til å oppdage alene.

I demoen viser Anthropic et eksempel der flere agenter blir utløst 60 sekunder etter en bestemt hendelse. Hver agent ser bare sin egen del av problemet. Dreaming ser mønsteret på tvers av øktene og kan skrive det inn i minnet, slik at senere agenter jobber raskere.

Tre designvalg er viktige.

Dreaming kjører utenfor agentens vanlige arbeidsløp. Det betyr at den ikke sinker oppgaven agenten holder på med.

Den skiller også mellom to mål. Vanlige agenter skal løse oppgaver. Dreaming skal holde minnet ryddig, riktig og nyttig.

I tillegg gjør Dreaming det mulig å bruke ekstra beregningstid på å forbedre minnet. Det ligner på hvordan resonneringsmodeller bruker mer tid og flere tokens på å tenke seg gjennom vanskelige problemer. Her brukes innsatsen på å gjøre fremtidige oppgaver enklere, billigere og bedre.

Resultatene så langt

Anthropic har testet minne og Dreaming med utvalgte kunder.

Rakuten bruker minne for interne kunnskapsagenter. I foredraget sier Murag at dette reduserte førstegangsfeil med rundt 90 prosent, fordi agentene kunne fange opp feil og dele lærdommen med neste runde agenter.

Harvey, som lager AI-verktøy for juridisk arbeid, testet Dreaming på et juridisk scenario. Ifølge Anthropic økte andelen fullførte oppgaver seks ganger i dette testoppsettet.

Tallene kommer fra tidlige og utvalgte tester, så de bør leses som indikasjoner, ikke som endelig fasit. Likevel viser de hvorfor Anthropic mener minne kan bli en sentral byggekloss for neste generasjon AI-agenter.

Hva dette betyr for utviklere og bedrifter

For utviklere betyr dette at de får et ferdig minnesystem for agenter. De kan sette opp ulike minnelagre med ulike tilgangsnivåer, for eksempel ett felles lager for organisasjonens kunnskap og ett arbeidsminne for et bestemt team eller en bestemt oppgave.

Dreaming kan kjøres som en planlagt jobb, for eksempel etter at en oppgave er ferdig eller på tidligere økter fra de siste dagene. Resultatet er et forslag til oppdatert minne, som kan tas i bruk direkte eller gjennomgås først.

For bedrifter er hovedpoenget større: AI-agenter begynner å ligne mer på systemer som blir bedre over tid, ikke verktøy som starter fra null hver gang.

Det krever samtidig kontroll. Minnet må vedlikeholdes, feil må ryddes bort, og sensitive data må ikke havne feil sted. Derfor er versjonshistorikk, tilgangsstyring og et åpent API viktige deler av løsningen.

Murags budskap er at agenter som jobber i mange timer eller flere dager, snart blir vanligere. Når det skjer, blir det også viktigere at de husker.

---

Ordliste

---

Kilder og ressurser