为何智能体需要 Dreaming 来优化记忆？

摘要： 人类睡觉时大脑在整理记忆，AI Agent 也需要。OpenClaw Dreaming 是一个后台记忆巩固系统，解决的是 Agent 的"失忆症"问题。

问题的根源：AI 的"失忆症"

用过 ChatGPT、Claude 的人都有这个体验：

每次新对话，都要重新介绍自己。

昨天聊的项目，今天从零开始。

上周调好的配置，这周重新解释。

这不是用户的问题，是架构问题。

传统 Agent 的记忆模型

复制代码

用户输入 → 上下文窗口 → AI 响应 → 会话结束 → 一切归零

这个模型有三个致命缺陷：

上下文窗口有限：再大的模型也有 token 上限
会话隔离：每次对话都是独立实例
无持久化层：离开对话，记忆消失

后果是什么？

用户重复劳动（每次都重新介绍背景）
Agent 无法积累长期知识
跨 session 的洞察丢失
用户体验割裂

Dreaming 的设计哲学

OpenClaw Dreaming 的核心思路来自神经科学：

人类不是 24 小时持续学习的。我们白天收集信息，晚上睡觉时大脑整理记忆。

人类睡眠周期 vs AI Dreaming

阶段	人类睡眠	OpenClaw Dreaming
浅睡	轻度睡眠，信息回放	Ingestion - 收集当天对话/日志/决策
REM	快速眼动，模式识别	Pattern Recognition - 识别关联和模式
深睡	深度睡眠，记忆巩固	Memory Promotion - 写入长期记忆

这个类比不是营销噱头，是工程上的同构：

白天（用户活跃期）→ 快速响应，不阻塞
夜晚（用户离线期）→ 后台处理，整理记忆

Dreaming 解决什么问题？

1. 记忆碎片化 → 结构化归档

问题：一天的对话散落在多个 session 里，没有组织。

Dreaming 的做法：

复制代码

原始对话 A + 原始对话 B + 原始对话 C
        ↓
    识别共同主题
        ↓
生成结构化笔记 → 写入 memory/主题.md

2. 信号噪声混杂 → 信号提升

问题：不是所有对话都值得长期保存。

Dreaming 的做法：

追踪每个记忆片段的召回次数（recallCount）
记录查询哈希（queryHashes）------哪些查询触发了它
计算总分（totalScore）------综合相关性 + 使用频率
高分片段 → 提升到 MEMORY.md
低分片段 → 保留在短期缓存，定期清理

3. 知识孤岛 → 关联发现

问题：用户今天聊 A 项目，明天聊 B 项目，但两者有隐性关联。

Dreaming 的做法：

提取概念标签（conceptTags）
跨 session 比对标签重叠
发现关联后生成"知识图谱更新"笔记

技术实现：Dreaming 如何工作？

配置方式

在 OpenClaw 配置中启用：

json 复制代码

{
  "plugins": {
    "entries": {
      "memory-core": {
        "enabled": true,
        "config": {
          "dreaming": {
            "enabled": true
          }
        }
      }
    }
  }
}

运行时机

默认：每天凌晨（用户离线时段）
触发条件：距离上次运行 > 24 小时
执行位置：后台进程，不阻塞用户交互

输出产物

Dreaming 运行后，会在 memory/.dreams/ 目录下生成：

复制代码

memory/.dreams/
├── events.jsonl          # 事件日志（每次记忆召回记录）
└── short-term-recall.json # 短期记忆追踪（高分片段候选）

`short-term-recall.json` 结构示例

json 复制代码

{
  "version": 1,
  "updatedAt": "2026-04-10T00:58:51.660Z",
  "entries": {
    "memory:memory/2026-03-25.md:1:7": {
      "key": "memory:memory/2026-03-25.md:1:7",
      "path": "memory/2026-03-25.md",
      "recallCount": 2,
      "totalScore": 0.789,
      "conceptTags": ["jensen", "AGI", "商业叙事"],
      "recallDays": ["2026-04-08", "2026-04-10"]
    }
  }
}

每个字段的含义：

recallCount：被召回次数（越高越重要）
totalScore：综合得分（召回次数 × 相关性）
conceptTags：提取的概念标签
recallDays：在哪些天被召回过

实际效果：Dreaming 前后的对比

没有 Dreaming

场景	体验
第 1 天聊项目 A	Agent 记住
第 3 天聊项目 A	从零开始，用户重新介绍
第 7 天聊项目 A	再次从零开始
第 30 天回顾	无历史记录，除非用户手动整理

有 Dreaming

场景	体验
第 1 天聊项目 A	Agent 记住
第 3 天聊项目 A	Agent 自动加载项目 A 背景
第 7 天聊项目 A	Agent 关联到第 1 天的决策
第 30 天回顾	`memory/项目 A.md` 已自动生成

Dreaming 的边界：它不是什么

❌ Dreaming 不是"AI 做梦"

没有诗意，没有隐喻。就是一个定时批处理任务：

输入：当天的记忆召回日志
处理：评分、排序、提取
输出：结构化记忆文件

❌ Dreaming 不是"自动写日记"

它不生成散文，不写感悟。输出是机器可读的结构化数据：

JSON 文件
Markdown 笔记
事件日志

❌ Dreaming 不是"替代用户思考"

它不决定什么重要，只是放大用户已经频繁访问的内容。决策权仍在用户。

为什么这个设计重要？

1. 解决 Agent 的"短期主义"

没有 Dreaming，Agent 的行为模式是：

响应当前请求 → 会话结束 → 遗忘

有了 Dreaming：

响应当前请求 → 记录信号 → 夜间整理 → 长期积累

2. 降低用户维护成本

手动维护 MEMORY.md 很耗时。Dreaming 自动化了 80% 的整理工作，用户只需：

定期审查（每周/每月）
手动补充（特殊洞察）
删除噪声（误分类）

3. 为多 Agent 协作打基础

当系统中有多个 Agent（main、writer、research、bigcommontask）时：

每个 Agent 的 session 是隔离的
Dreaming 提供共享记忆层
跨 Agent 的知识传递成为可能

如何启用 Dreaming？

检查当前状态

bash 复制代码

ls -la /home/water/.openclaw/workspace/memory/.dreams/

如果目录存在且有 short-term-recall.json，说明已在运行。

查看最近一次运行时间

bash 复制代码

cat /home/water/.openclaw/workspace/memory/.dreams/short-term-recall.json | \
  python3 -c "import sys,json; d=json.load(sys.stdin); print(d.get('updatedAt'))"

手动触发（可选）

目前 OpenClaw 没有提供手动触发命令，Dreaming 是自动调度的。如果需要立即运行，可以：

修改系统时间（不推荐）
等待下次自动执行（推荐）

结语：Dreaming 是 Agent 成熟的标志

早期的 AI Agent 像"金鱼"------记忆只有 7 秒。

Dreaming 的出现，标志着 Agent 系统从会话级智能 迈向生命周期级智能：

不再是"每次对话从零开始"
而是"每次对话站在之前的肩膀上"

这不是炫技，是工程上的必然演进。

就像人需要睡觉来巩固记忆，Agent 也需要 Dreaming 来优化记忆。

参考：OpenClaw Dreaming Guide 2026 | Turing Post - Can your OpenClaw dream?

为何智能体需要 Dreaming 来优化记忆？