Anthropic เผยแพร่วิดีโอเวิร์กชอป "Agents that remember" โดย Kevin วิศวกรของทีม Claude ที่มาสาธิตวิธีแก้ปัญหาคลาสสิกของ AI agent บน Claude Managed Agents (CMA) นั่นคือการทำให้ agent "จำบริบทข้าม session" ได้จริง ผ่าน 2 primitive ใหม่อย่าง Memory Store และ Dreaming ซึ่งเมื่อนำมาประกบเข้ากับ Session เดิม จะกลายเป็นสถาปัตยกรรม 3 ชั้นสำหรับสร้าง agent ระดับ production ที่จำบริบทระยะยาวได้ ไม่ใช่แค่ตอบโต้แบบ ephemeral จบเป็นรอบๆ ไป

เวิร์กชอปความยาว 28 นาทีนี้สาธิตสดทั้งบน CLI และหน้าคอนโซล CMA เริ่มตั้งแต่ base case ที่ session แยกขาดจากกันจนจำอะไรไม่ได้ ไปจนถึงการ mount Memory Store และการรัน Dreaming แบบ multi-agent เพื่อจัดระเบียบความจำ ดูคลิปต้นฉบับบนช่อง Claude

1. ปัญหาเดิมของ agent: session ที่ตัดขาดจากกัน

Kevin ชี้ให้เห็นว่าเวลาเราสร้าง agent บน Claude Managed Agents ในปัจจุบัน วงรอบการทำงานปกติคือรันทีละ 1 session และแต่ละ session ถูกตัดขาดจากกันโดยสิ้นเชิง agent จึงจำเรื่องที่คุยรอบก่อนไม่ได้ และส่งต่อ context ไปยัง session ในอนาคตไม่ได้ ทำให้การนำไปใช้ในงานจริงสะดุดทันที

ในการสาธิต Kevin แสดง base case ให้ดู 2 สเต็ป เริ่มจากสร้าง session ใหม่ชื่อ write test with no memory แล้วส่งข้อความที่มีคีย์เวิร์ดเฉพาะอย่าง multi-agent orchestration outcomes in memory พร้อมแนบ URL ตัวอย่าง agent ตอบกลับสั้นๆ เพียง "ขอบคุณสำหรับข้อมูล" แต่พอ Kevin เปิด session ใหม่ด้วย agent ตัวเดิมแล้วถามถึงข้อมูลที่เพิ่งส่งไป agent กลับตอบทันทีว่าไม่มีสิทธิ์เข้าถึงข้อมูลนั้น พฤติกรรมนี้ชี้ชัดว่าถ้าไม่มี layer ส่งต่อข้อมูล แต่ละ session จะเหมือนคนแปลกหน้าที่เริ่มนับหนึ่งใหม่เสมอ

ภาพจากเวิร์กชอป "Agents that remember" ของช่อง Claude

ถ้าจะขยับ agent ไปสู่งานระดับ production ไม่ว่าจะเป็นทีม customer service, on-call assistant, research agent หรือ sales follow-up กลไกความจำแบบ persistent ข้าม session คือโจทย์บังคับ และนี่คือเหตุผลที่ Anthropic ออกแบบ Memory Store ขึ้นมา

2. Memory Store: file system ที่ agent อ่านเขียนข้าม session ได้

Memory Store บนแพลตฟอร์ม CMA เป็น persistent store ที่มีโครงสร้างเหมือน file system โดยระบบจะ mount เข้ากับ session ที่เราต้องการ ทำให้ agent มีเครื่องมือสำหรับอ่านและเขียนข้อมูลในนั้นได้โดยตรง Anthropic เลือกใช้อินเทอร์เฟซแบบ file system เพราะ LLM ทำงานกับโครงสร้างนี้ได้เป็นธรรมชาติมาก agent สามารถรัน bash สำรวจโฟลเดอร์ ใช้ grep ค้นหาคีย์เวิร์ด อ่านไฟล์ และจัดการ subdirectory ได้เหมือน dev ทำงานบนเครื่องตัวเอง

เรากำหนดขอบเขตของ Memory Store ได้ยืดหยุ่น จะแยก 1 store ต่อทั้งองค์กร ต่อ workspace หรือต่อ user แต่ละคนก็ได้ ในเวิร์กชอป Kevin สร้าง store ชื่อ CWC memory ผ่าน CLI พร้อมใส่ description สั้นๆ จากนั้นเปิดคอนโซลเมนู manage agents > memory stores ให้ดูว่า store ขึ้นสถานะ active และมี file system viewer ให้คลิกดูไฟล์ข้างในได้ทันที

ภาพจากเวิร์กชอป "Agents that remember" ของช่อง Claude

เวลาเรียกใช้ memory store กับ session เราแค่ส่ง memory_store_id ไปใน API request พร้อม parameter เพิ่มอีก 2 ตัว:

• prompt ข้อความ steering ที่คอยไกด์ agent ว่าควรโฟกัสการอ่านหรือเขียนข้อมูลจุดไหนเป็นพิเศษ
• access สิทธิ์ของ session ต่อ store นั้น โดย default เป็น read_write (อ่านและเขียนได้) หรือปรับเป็น read_only สำหรับ session ที่ต้องการให้อ่าน context อย่างเดียวโดยห้ามแก้ไข ช่วยให้ควบคุม workflow ได้รัดกุม

เมื่อทดสอบส่งข้อความเดิมซ้ำโดยแนบ memory store ไปด้วย พฤติกรรมของ agent เปลี่ยนไปชัดเจน agent จะเริ่มจากการเปิด memory store ขึ้นมาเช็กก่อนว่ามีข้อมูลเก่าอยู่ไหม พอพบว่ายังว่างอยู่ ก็เขียนบันทึกลงไฟล์ sessions.md ให้ทันที และเมื่อเปิด session ใหม่ที่ mount store เดียวกันแล้วถามถึงข้อมูลเดิม agent ก็ใช้ grep ค้นหาคีย์เวิร์ด CMA ใน store แล้วดึงมาตอบได้ครบถ้วน

นอกจากนี้ Memory Store ยังมี endpoint ให้เข้ามาจัดการ store ได้โดยตรง ทั้งการดูรายการไฟล์ทั้งหมดผ่าน CLI, ดู version history อัตโนมัติทุกครั้งที่มีการแก้ไข หรือเปิดหน้าคอนโซล UI เพื่อดูโครงสร้างไดเรกทอรีที่ Claude จัดไว้ พร้อมทั้งเปิดให้คนเข้าไป edit เนื้อหาด้วยมือได้ทันทีหากต้องการแทรกหรือแก้ข้อมูล

3. Dreaming: เมื่อ agent เข้าสู่โหมดฝัน เพื่อจัดระเบียบความจำ

เมื่อ agent อ่านและเขียน memory store ไปเรื่อยๆ ปัญหาใหม่ที่ตามมาคือ agent มักจะ dump ข้อมูลทุกอย่างลงไปจน memory บวมขึ้นเรื่อยๆ โดยไม่มีการคัดกรองว่าข้อมูลไหนเก่าแล้ว ข้อมูลไหนซ้ำซ้อน หรือควรจัดหมวดหมู่อย่างไร Dreaming จึงถูกสร้างขึ้นมาเพื่อแก้ปัญหานี้

Dreaming เป็น batch process แบบ asynchronous ที่สั่งรันผ่าน API หรือหน้าคอนโซลก็ได้ เมื่อสั่งทำงาน ระบบจะรัน harness แบบ multi-agent ขึ้นมาอ่าน input ที่กำหนดไว้ ซึ่งประกอบด้วย memory store ต้นทาง 1 ตัว และรายการ session id ในอดีตที่ต้องการนำมาประมวลผล harness จะทำหน้าที่ 4 อย่าง:

1. Fact-checking ตรวจสอบความถูกต้องของข้อมูลในความจำ
2. Enrich ข้อมูลด้วยรายละเอียดที่ตกหล่น เช่น timestamp หรือ identifier เฉพาะ
3. ตรวจจับและยุบรวมข้อมูลที่ซ้ำซ้อนเข้าด้วยกัน
4. จัดระเบียบโครงสร้างไฟล์และ directory ใหม่

ผลลัพธ์ที่ได้คือ memory store ตัวใหม่ที่สะอาดและมีโครงสร้างชัดเจน พร้อมให้ session ในอนาคตหยิบไปใช้ต่อ ช่วยทั้งเรื่องความเร็วในการค้นหาและความแม่นยำของ agent

ภาพจากเวิร์กชอป "Agents that remember" ของช่อง Claude

การยิง dream job ผ่าน CLI มี parameter หลัก 4 ตัว:

• model เลือกระหว่าง Claude Opus 4.7 หรือ Sonnet 4.6 ตามโจทย์ด้านคุณภาพและ token budget
• memory_store_id ไอดีของ store ต้นทาง
• sessions รายการ session id ที่ต้องการให้ harness อ่าน (เริ่มต้นที่ 10 ถึง 20 sessions และรองรับได้ถึง 100 sessions)
• instruction steering prompt เสริม เช่น สั่งให้เน้นเก็บรายละเอียดเฉพาะโดเมน หรือกำหนดโครงสร้าง directory ที่ต้องการ

บนหน้าคอนโซล ระบบจะแสดง dream job ใต้เมนู manage agents > dreams เริ่มจากสถานะ pending เปลี่ยนเป็น running พร้อมรายงาน token count แบบเรียลไทม์ งานพวกนี้ใช้เวลาตั้งแต่ไม่กี่นาทีจนถึงหลักชั่วโมงขึ้นกับปริมาณ transcript จึงเหมาะกับการรันเป็น background batch มากกว่าการรันสด

4. ทำไม Dreaming ถึงเป็น multi-agent non-destructive พร้อม cache hit 95%

สถาปัตยกรรมภายในของ Dreaming ใช้ multi-agent harness โดยมี orchestrator 1 ตัวคอย spawn sub-agent ออกมา 1 ตัวต่อ 1 input session สาเหตุที่ Anthropic ออกแบบให้เป็น exhaustive by design เพราะหากปล่อยให้ agent ตัวเดียวอ่าน transcript 100 sessions พร้อมกัน โมเดลจะเริ่มหลุดโฟกัสและมองข้ามรายละเอียด การแยก sub-agent ราย session ทำให้เก็บข้อมูลได้ละเอียดครบถ้วน ก่อนส่งกลับมาให้ orchestrator รวบรวม

อีกจุดเด่นสำคัญคือ Dreaming ทำงานแบบ non-destructive ระบบจะไม่แตะต้อง memory store ต้นทางเลย แต่จะ clone ออกมาเป็น output memory store ตัวใหม่ การแก้และจัดระเบียบทั้งหมดจะเกิดขึ้นในตัว clone เท่านั้น เมื่อ dream job เสร็จสิ้น คอนโซลจะแสดงผลเป็น diff ของไฟล์ที่สร้างขึ้น แก้ไข หรือจัดกลุ่มใหม่ เปิดทางให้ทีมตรวจสอบ (human in the loop) ก่อนตัดสินใจว่าจะสลับมาใช้ output store นี้หรือไม่

ภาพจากเวิร์กชอป "Agents that remember" ของช่อง Claude

ในการเดโมของ Kevin ผลลัพธ์จาก dream job สร้าง output ที่น่าสนใจ 3 รูปแบบ:

1. ไฟล์ INDEX สร้างขึ้นใหม่เพื่อรวม slug ของไฟล์ทั้งหมด ช่วยให้ session ในอนาคตเข้าถึงข้อมูลได้ทันทีโดยไม่ต้อง grep หาข้ามไฟล์
2. ไฟล์ enrich ข้อมูลใหม่ เช่น event logistics ที่รวบรวมตารางงาน Code with Claude วันที่ 2 และรายชื่อผู้เข้าร่วม ซึ่งไม่เคยมีอยู่ใน session แรกๆ
3. ไฟล์เดิมที่ถูก reformat เพิ่ม slug, description และ metadata ทำให้โครงสร้างไฟล์สมบูรณ์ขึ้น

ในแง่ต้นทุน แม้ Dreaming จะรันงานแบบ exhaustive ที่กิน token เยอะ แต่สิ่งที่ทำให้ใช้งานได้จริงใน production คืออัตรา cache hit ที่สูงถึง ~95% เนื่องจากบริบทส่วนใหญ่เป็น static context ที่อ่านซ้ำได้ นอกจากนี้ Anthropic ยังเตรียมเปิด batch pricing ที่ลดราคาลง 50% เหมือน batch API ทั่วไป

ที่สำคัญ dream job เองก็ถูกสร้างขึ้นบน primitive ของ CMA นั่นหมายความว่ามันคือ session ปกติ ผู้พัฒนาจึงสามารถคลิกเข้าไปดู system prompt, ลำดับการเรียก sub-agent และ step ภายในได้ทั้งหมด มี observability ครบถ้วน ไม่ได้ถูกปิดเป็น black box

5. สรุปสถาปัตยกรรม 3 ชั้น: Session + Memory Store + Dreaming

ภาพรวมของระบบความจำบน Claude Managed Agents ประกอบด้วย 3 ชั้นที่ทำงานประสานกัน:

1. Session Layer ตัวแทนการทำงานชั่วคราว (ephemeral) สำหรับ 1 บทสนทนา
2. Memory Store Layer พื้นที่เก็บข้อมูลแบบ persistent ที่เชื่อมโยงข้อมูลระหว่าง session
3. Dreaming Layer แบ็กกราวด์โปรเซสที่คอย synthesize, enrich และจัดระเบียบ memory store ให้สดใหม่อยู่เสมอ ไม่ให้บวมจนค้นหายาก

ในการสาธิตปิดท้าย Kevin สร้าง session ใหม่แล้ว mount output memory store ที่ผ่านการ dream มาเรียบร้อย เมื่อถามคำถาม 3 ข้อเกี่ยวกับประวัติงานและ follow-up agent เริ่มจากเปิดดูไฟล์ INDEX เพื่อหาทิศทาง แล้วเจาะอ่าน sessions.md กับ event logistics ก่อนจะตอบสรุปพร้อม timestamp และลิงก์ resource ได้อย่างแม่นยำครบถ้วน

สำหรับสายพัฒนา agent ในไทย primitive ใหม่อย่าง Memory Store และ Dreaming คือกุญแจสำคัญที่ปลดล็อก use case ระยะยาว ไม่ว่าจะเป็น customer support ที่จำประวัติลูกค้าแต่ละคนได้ข้ามวัน, on-call bot ที่เข้าใจ context ของ incident ในอดีต, หรือ research agent ที่สะสมองค์ความรู้เฉพาะทาง การเปลี่ยนจาก session เดี่ยวๆ มาสู่ระบบ 3 ชั้นนี้ คือก้าวสำคัญที่เปลี่ยน AI จากแค่แชทบอตคุยเล่น ให้กลายเป็นระบบงานอัตโนมัติที่พร้อมลุยงานจริง

ที่มา: Agents that remember โดยช่อง Claude (Anthropic) YouTube workshop