当前位置：首页 > news >正文

【AI】open claw 梦境机制

news 2026/7/31 13:05:10

给OpenClaw装上“梦境”机制，是当前AI Agent领域一个非常前沿的尝试。它确实与追求“自进化”的目标相关，但核心在于“记忆的自进化”，而非模型参数的自进化。

简单来说，Dreaming（梦境）是OpenClaw内置的一套自动化的后台记忆整合系统。它模仿人类睡眠时大脑的工作方式，将白天积累的短期记忆信号，通过筛选、关联和提炼，转化为持久、高价值的长期知识。其核心技术是通过一系列自动化的记忆处理流程，让AI Agent能够“记住”更重要的东西，从而实现能力的持续提升。

🧠 梦境如何工作：一个“记忆策展”流水线

梦境机制可以看作一个严谨的“记忆策展”流程，它分为浅睡（Light Sleep）、REM、深睡（Deep Sleep）三个前后衔接的阶段。默认情况下，这个流程会在每天凌晨3点自动启动。

阶段一：浅睡——筛选与“入眠”
这一阶段，系统会扫描近期的每日记忆文件（如memory/YYYY-MM-DD.md）和会话记录，使用Jaccard相似度（阈值为0.9）去除冗余、相似度高的内容。筛选出的有价值信息会作为“候选记忆”存入短期召回存储中，此阶段绝不会修改核心的长期记忆文件MEMORY.md。
阶段二：REM——反思与“连梦”
此阶段在更长的窗口内（默认回溯7天）分析短期记忆，通过分析概念标签的频率来识别重复出现的主题。它还会寻找潜在的“候选真理”——那些反复高置信度出现的条目，并生成一段反思性摘要，此阶段同样不会写入MEMORY.md。
阶段三：深睡——筛选与“记忆固化”
这是唯一会将记忆写入MEMORY.md的核心阶段。系统会从短期召回存储中取出所有候选记忆，调用一个多维加权评分算法进行严格打分。最终，只有同时通过最低综合评分（minScore ≥ 0.8）、最低召回次数（minRecallCount ≥ 3）和最低独特查询数（minUniqueQueries ≥ 3）这三道“硬性门槛”的记忆，才能被写入MEMORY.md。

🔬 核心算法：如何判断记忆的价值？

决定一条信息能否成为长期记忆的，是深睡阶段执行的六维加权评分算法。这六个维度及其权重分别为：

相关性（Relevance）：30%
频率（Frequency）：24%
查询多样性（Query diversity）：15%
时效性（Recency）：15%
整合度（Consolidation）：10%
概念丰富度（Conceptual richness）：6%

这个评分系统设计精巧，确保只有那些在多个维度上都有坚实证据支持的信息，才能被固化为长期记忆。

📂 文件与状态管理

梦境机制的状态管理是透明且可靠的，主要依赖以下几个关键文件：

核心记忆库：MEMORY.md。AI的长期记忆库，只有深睡阶段才能写入。
梦境日志：DREAMS.md。一份人类可读的完整“梦境日记”，记录了每个阶段处理的信息和生成的摘要，是整个系统透明性的基石。
机器状态：包含召回存储、阶段信号和写入检查点等，用于系统恢复和数据一致性。
数据安全：系统使用锁文件（Lockfiles）来防止并发写入，确保数据安全。

🚀 2026.4.9版本的关键进化：REM Backfill

在v2026.4.9版本中，梦境机制迎来了一次重要升级——REM回填（REM Backfill）功能。

过去，AI只能使用“新数据”来构建记忆，旧笔记和历史对话宛如死数据。REM Backfill则允许系统通过rem-harness工具，将旧的日记或历史笔记重新导入，并按照新的梦境流程“回放”一遍，从中提取出有价值的信息并整合进当前的记忆体系。这使得AI对历史数据的理解能够随着模型能力的提升而深化，实现跨时间的知识关联。

🤔 梦境机制与“自进化”：一场美丽的误解

回到你最初的问题，这里必须厘清一个关键点：“梦境”机制与“模型参数自进化”是两回事。

梦境机制 (Memory Consolidation)：它属于“记忆系统”的一部分，工作在推理层。它负责优化AI的输入（Context），让AI在回答问题时有更精准、更相关的背景信息可以参考，但不会改变模型本身的参数或能力。
参数自进化 (Model Fine-tuning)：它工作在模型层。通过使用新数据对模型进行再训练（如你之前问到的LoRA微调），从而调整模型的内部参数，永久性地改变其行为模式。

然而，这两者并非割裂，而是可以协同工作的。梦境机制筛选和沉淀出的高质量、高价值信息（MEMORY.md），完全可以作为一种优质的、经过验证的数据来源，用于后续的模型微调。