Claude : cette fonctionnalité cachée permet de corriger les erreurs de vos agents IA en autonomie
Les agents IA s’organisent. Alors qu’OpenAI a récemment lancé au sein de son Agents SDK une fonctionnalité de Memory Consolidation, et que Google avait introduit des fonctionnalités de mémoire persistante avec Vertex AI Memory Bank en juillet 2025, Anthropic a récemment intégré la fonctionnalité "dreaming" dans Claude Managed Agents.
Au sein de cette formule clé en main, qui permet aux utilisateurs de Claude de créer ou de déployer des agents IA, l’agent peut désormais s’auto-améliorer. Dans ce but, il analyse jusqu’à 100 sessions passées. Objectif : y détecter des schémas récurrents. Pour cela, ce processus asynchrone prend en entrée la mémoire à long terme de l'IA. Il trie, jette les doublons et range. Le but est de laisser "Claude réfléchir sur les sessions passées pour organiser la mémoire d'un agent et faire émerger de nouvelles informations", selon la société de Dario Amodei. Cela doit permettre de produire un magasin de mémoire réorganisé.
Concrètement, on fournit l'ancien historique de conversation à Claude à chaque nouvel appel. Claude traite la requête et renvoie sa réponse. Le SDK, la bibliothèque de code fournie par Anthropic pour faciliter l'écriture de programmes, gère ensuite la complexité technique. Il compresse et résume automatiquement l'historique via des en-têtes spécifiques. Objectif : ne pas le laisser grossir indéfiniment. Il en ressort un historique allégé, prêt à être réinjecté lors du prochain appel. Voici un exemple fourni par Anthropic de code en Python pour la création d'un rêve. Les entrées du rêve incluent le magasin de mémoire préexistant et un tableau de sessions.
Python
dream = client.beta.dreams.create(
inputs=[
{"type": "memory_store", "memory_store_id": store_id},
{"type": "sessions", "session_ids": [session_a, session_b]},
],
model="claude-opus-4-8",
instructions="Focus on coding-style preferences; ignore one-off debugging notes.",
)
print(dream.id) # drm_01...
Notons qu’il est possible de passer des instructions pour orienter le processus de rêve. Cette fonctionnalité est actuellement optimisée pour les modèles Claude Opus (versions 4.8 et 4.7) et Claude Sonnet. L'utilisation du mode Dreaming est facturée selon les tarifs standard de tokens de l'API, en fonction du modèle choisi.
Une ouverture limitée
Il pourrait falloir faire preuve d’un peu de patience pour accéder à la fonctionnalité. Disponible en avant-première de recherche dans Managed Agents, elle nécessite de passer par le formulaire officiel d'Anthropic. L'accès dépend des critères de sélection d'Anthropic. Assurez-vous d'avoir déjà un compte API Anthropic actif et une adresse mail professionnelle.
Pour trouver l’UUID (Universally Unique Identifier) de l'organisation API demandé, direction la Claude Console. Allez en bas à gauche de l’interface, cliquez sur votre nom et copiez le code de l’ID organisation. Pour nos cas d’usage, dans le formulaire, nous cliquons sur la caractéristique du même nom. Même si on ne l’utilise pas tout de suite, on peut cliquer sur "MCP Tunnels". Cela permettra l’accès à des outils externes de manière sécurisée. Nous cliquons ensuite sur Python et Claude API CLI pour "SDK et tools".
Différentes utilisations de Dreaming mode dans Claude Managed Agents
Le Dreaming Mode est idéal quand les agents enchaînent les mêmes erreurs ou doivent assimiler les leçons de nombreuses interactions. Claude explique qu’il convient particulièrement aux charges de travail qui nécessitent notamment une exécution de longue durée ou encore une infrastructure cloud. Nous avons choisi trois exemples de cas d’usage.
1. Prévention des erreurs répétées
Imaginons qu’un agent IA échoue un grand nombre de fois à envoyer un fichier trop lourd par email. Avec le passage en "Dreaming mode", il identifie le modèle, par exemple le "Fichier > 25 Mo + Email = Échec". Il trouve une solution : "Si le fichier est > 25 Mo, je dois d'abord le mettre sur un lien de téléchargement (comme Google Drive ou Dropbox) au lieu de l'attacher directement". Pour les envois suivants avec un fichier important, il crée directement un lien de téléchargement.
Techniquement, pendant le Dreaming Mode, le modèle est chargé avec deux types de données. D’abord, les logs de session avec les transcriptions brutes des échecs. Puis, une directive système lui demandant d'extraire des "playbooks" à partir des erreurs. Le modèle génère un nouveau fichier texte structuré, souvent en Markdown ou JSON. Il contient la nouvelle règle. Celle-ci est stockée dans un Memory Store persistant.
Quand une nouvelle tâche est effectuée, avant même que l'IA ne commence à réfléchir, le harness, le cadre de test qui entoure l'agent pour vérifier qu'il se comporte correctement, récupère ces règles. Il les insère au tout début du "System Prompt". Il envoie dans ce cas ce message au modèle : "Tu es un agent de messagerie. Voici tes règles apprises : Si fichier > 25 Mo, utilise Google Drive. L'utilisateur veut envoyer ce fichier de 40 Mo." Le modèle a maintenant cette règle dans son contexte immédiat.
2. Consolidation des connaissances
Autre exemple, une PME utilise un agent IA pour répondre aux questions des clients. Au cours de la semaine, l'agent reçoit 50 questions différentes sur une nouvelle mise à jour. Problème : à chaque fois, l'agent doit chercher dans les manuels PDF ou demander à un humain comment répondre précisément sur la mise à jour. Le week-end, l'agent active son Dreaming Mode. Il analyse les 50 conversations de la semaine concernant la TVA. Il rédige une note de mémoire concise qui résume la procédure exacte validée durant la semaine.
Techniquement, le déclenchement du Dreaming Mode amène une tâche planifiée. Par exemple, le week-end à minuit, un script se déclenche automatiquement. Grâce à une instruction, Claude produit le playbook. Ce texte produit par Claude est ensuite écrit dans un fichier ou une base de données qui constitue la mémoire de l'agent. Quand un client pose une question, la réponse est immédiate.
3. Amélioration de la performance de l'agent
Autre cas, une PME utilise un agent IA pour aider à la maintenance de son infrastructure serveur. Pendant une phase de Dreaming Mode, l'agent effectue une réorganisation structurelle de sa base de connaissances technique. Il détecte les instructions obsolètes, archive les anciennes et marque les nouvelles comme "Standard Prioritaire". Il supprime les détails inutiles des logs de débogage passés pour ne garder que l’essentiel. Résultat : l’agent doit répondre plus vite et de façon plus précise, et consommer moins de tokens. La base de connaissances techniques nécessite aussi moins de maintenance.
Au rayon des limites, notons que le Dreaming mode peut amener à supprimer des informations utiles. Les grandes bases de connaissances peuvent coûter un certain nombre de tokens. Et en entreprise, un responsable doit valider périodiquement ce que le Dreaming Mode a modifié, surtout sur des sujets critiques comme la sécurité ou la conformité.