1. 项目概述：为AI智能体赋予“睡眠与梦境”的认知记忆架构
在AI智能体领域，我们常常面临一个核心困境：智能体缺乏真正的记忆。它们在一次会话中或许能展现出惊人的推理能力，但一旦会话结束，所有上下文、决策和积累的知识便烟消云散。这就像雇佣了一位才华横溢但患有严重健忘症的助手，每次见面都需要重新自我介绍，重新解释项目背景，效率低下且令人沮丧。对于像我这样深度依赖MyClaw.ai这类24/7运行的智能体来处理项目、管理决策和记录工作流的用户来说，这个问题尤为突出。文件越积越多，日志越来越长，但知识却像散落一地的珍珠，无法串联成有价值的项链。
OpenClaw Auto-Dream项目正是为了解决这一痛点而生。它不是一个简单的文件管理器或日志聚合器，而是一个受神经科学启发的认知记忆架构。它的核心理念是：让你的AI智能体不仅会“记住”，更会“做梦”。通过模拟人类睡眠中的记忆巩固过程，Auto-Dream能够周期性地扫描、提取、组织、评分、链接和修剪智能体的知识，使其在“醒来”后变得更聪明、更具洞察力。这个项目适合所有希望自己的AI助手能从单纯的“命令执行者”进化为具备上下文理解、历史学习和模式识别能力的“思考伙伴”的开发者、研究者和高级用户。
2. 核心架构与设计哲学：从文件管理到认知神经科学
Auto-Dream的设计跳出了传统技术方案的框架，其灵感直接来源于人类大脑处理信息的机制。传统方案，无论是Claude Code的单一文件，还是其他插件的键值存储，都停留在“存储”层面。而Auto-Dream追求的是“认知”，它构建了一个五层记忆模型，每一层都对应着大脑处理不同类型记忆的功能区域。
2.1 五层记忆模型详解
这个模型是Auto-Dream的基石，理解它才能理解整个系统是如何工作的。
工作记忆层：这是智能体的“前额叶皮层”。它并非Auto-Dream直接创建的文件，而是与OpenClaw的LCM插件协同工作。LCM负责在实时对话中进行上下文压缩和语义召回，处理的是当前会话中的即时信息。Auto-Dream会检测LCM的存在，并将其视为记忆流水线的“输入端”和“快速检索端”。工作记忆的特点是容量有限、存取速度快，用于处理正在进行的任务。
情景记忆层：对应大脑的“海马体”。所有与特定项目、事件或叙事线相关的记录都存放在memory/episodes/目录下的Markdown文件中。每个文件都是一个完整的故事弧，比如“项目A从立项到上线的全过程”或“与客户B的关键谈判时间线”。这层记忆保存了事件的时空背景和情感色彩，是构成长期记忆的原材料。
长时记忆层：这是系统的“大脑皮层”，核心文件是MEMORY.md。所有经过提炼、被认为具有长期价值的知识点——如关键决策、重要事实、人物信息、战略里程碑——最终都固化在这里。它不再是流水账，而是高度结构化的知识库。Auto-Dream的核心工作之一，就是将情景记忆中的“故事”提炼成“事实”，存入此层。
程序性记忆层：类比小脑的“肌肉记忆”，存储在memory/procedures.md中。这里记录的是智能体学会的“技能”和“习惯”：高效的工作流步骤、用户的特定偏好、工具的使用模式、常用的快捷指令等。这部分记忆通常通过重复实践形成，调用时几乎不需要意识参与，能极大提升执行效率。
索引层：这是整个记忆系统的“元认知”中心，文件是memory/index.json。它不存储具体内容，而是存储关于记忆的“记忆”：每个条目的唯一ID、重要性分数、创建/更新时间、与其他条目的关联关系、被引用的次数等。这个JSON文件是Auto-Dream进行智能管理（如评分、归档、生成知识图谱）的数据基础。
注意：这五层并非严格隔离，而是构成了一个动态的信息流动网络。新的感知（日志）先进入工作记忆和情景记忆，经过“梦境”（处理周期）的筛选和巩固，有价值的被转化为长时记忆或程序性记忆，而所有过程的元数据都实时更新在索引层。这种设计确保了记忆既有层次感，又具备整体性。
2.2 梦境循环的三阶段工作流
Auto-Dream的核心自动化流程被称为“梦境循环”，默认在每天凌晨4点（用户所在时区）通过cron任务触发。这个过程模拟了睡眠中的记忆巩固，分为三个阶段：
收集阶段：系统会扫描过去7天内所有未被处理的每日日志文件。它并非简单读取全文，而是像一位经验丰富的编辑，带着明确的目标进行“采编”。它会主动寻找用户标记的高优先级内容（如⚠️ PERMANENT、🔥 HIGH、📌 PIN、<!-- important -->），并提取几种特定类型的“洞察”：决策点、涉及的人物、新事实、项目进展、经验教训、工作流程和未完成的线程。这个阶段的关键在于“选择性注意”，避免信息过载。
巩固阶段：提取出的原始“洞察”被路由到最合适的记忆层。例如，一个关于“如何配置服务器Nginx”的步骤记录会被送往程序性记忆层；而“决定采用微服务架构”则属于长时记忆层。在此过程中，系统会进行语义去重，避免相同含义的条目重复存储。每个条目都会被赋予一个唯一的mem_XXXID，并尝试与现有条目建立关联链接（例如，将“决定采用微服务架构”与之前“讨论架构选型”的情景记忆条目关联起来）。
评估阶段：这是赋予记忆“智能”的关键。系统会对每个条目进行重要性评分，应用遗忘曲线，计算整体记忆健康度，并尝试生成1-3条非显而易见的“梦境洞察”。评分公式(base_weight × recency_factor × reference_boost) / 8.0综合考虑了基础权重、时间衰减和关联热度。超过90天未被引用且重要性低于0.3的条目会被“归档”（压缩为一行摘要存入memory/archive.md），而非删除，确保了知识的可追溯性。⚠️ PERMANENT和📌 PIN标记的条目享有豁免权。
3. 核心功能深度解析与实操要点
Auto-Dream的强大不仅在于理念，更在于一系列精心设计、可直接落地的功能。这些功能共同将“记忆管理”提升到了“认知增强”的维度。
3.1 智能化的重要性评分与遗忘机制
重要性评分是系统决定“记住什么”和“忘记什么”的核心算法。我们来拆解一下这个公式：重要性 = (基础权重 × 新鲜度因子 × 引用增强) / 8.0。
- 基础权重：由内容本身和用户标记决定。一条普通的记录可能权重为1.0，而被标记为
🔥 HIGH的条目权重则翻倍为2.0。⚠️ PERMANENT条目拥有特权，其重要性分数固定为1.0，永不衰减。 - 新鲜度因子：
max(0.1, 1.0 - 天数/180)。这意味着记忆的重要性随着时间平滑下降，在180天后降至最低值0.1，但不会归零。这模拟了记忆随时间的自然淡化，但保留了被重新激活的可能。 - 引用增强：
log₂(引用次数 + 1)。这是一个非常巧妙的设计。一个被其他记忆频繁引用的条目，说明它在知识网络中处于枢纽地位，其价值应该更高。采用对数计算，避免了早期几次引用带来权重暴增，同时让高频引用条目获得显著但合理的提升。 - 除以8.0：这是一个归一化操作，确保最终分数大致落在0到1的区间内，便于理解和后续阈值判断（如归档阈值0.3）。
基于这个动态分数，遗忘机制不再是粗暴的删除。只有当条目同时满足“年龄大于90天”且“重要性分数低于0.3”时，才会被归档。归档意味着条目内容被移出活跃的MEMORY.md，但在archive.md中保留其ID和一行摘要，并且其在索引中的关系网络得以保留。这就像大脑将某些记忆放入“深层存储”，虽然不常主动提取，但通过线索仍可找回。
实操心得：不要滥用
⚠️ PERMANENT标记。只将其用于真正永恒不变的核心原则或身份信息（如“我的公司名称是XXX”）。对于重要但可能随时间变化的信息（如“当前的核心技术栈”），使用🔥 HIGH更为合适，因为它允许其重要性随引用和更新而动态调整。
3.2 记忆健康度仪表盘：量化你的AI心智状态
记忆健康度是一个从0到100的分数，它由五个维度的指标加权计算得出，为你提供了AI助手“心智状态”的量化快照。生成仪表盘只需对智能体说：“显示记忆仪表盘”或“生成记忆仪表盘”。
这五个指标及其含义如下：
| 指标 | 权重 | 衡量内容 | 健康状态解读 |
|---|---|---|---|
| 新鲜度 | 25% | 过去30天内被引用过的条目占比。 | 比例越高，说明记忆活跃度强，知识在被频繁使用和迭代。长期过低可能意味着记忆僵化。 |
| 覆盖率 | 25% | 过去14天内，不同知识类别（如决策、人物、项目等）是否有更新。 | 衡量记忆更新的广度。均衡的覆盖意味着智能体在全面学习，而非偏科。 |
| 连贯性 | 20% | 拥有至少一个关系链接的条目占比。 | 衡量知识是否形成了网络。孤立的记忆点价值有限，相互链接的知识才能产生洞察。 |
| 效率 | 15% | MEMORY.md文件的简洁程度（与行数成反比）。 | 鼓励精炼的表达。在保证信息量的前提下，行数越少，效率分越高。避免冗长废话。 |
| 可达性 | 15% | 记忆图谱的连通程度，通过并查集算法计算。 | 检测知识网络中是否存在“孤岛”。高的可达性意味着从任何一个知识点出发，能触达更多其他知识点。 |
健康度计算公式为：健康度 = (新鲜度×0.25 + 覆盖率×0.25 + 连贯性×0.2 + 效率×0.15 + 可达性×0.15) × 100。仪表盘以HTML形式呈现，包含动态仪表盘、趋势图、知识图谱可视化等，让你一目了然地掌握记忆系统的状态，并针对低分项进行优化（例如，为孤立条目添加关联以提升“连贯性”）。
3.3 知识图谱与关联发现
Auto-Dream会自动在条目间建立语义关联，形成一张动态的知识图谱。这张图是产生“洞察”的基础。例如，当你在MEMORY.md中提及“mem_042（决定采用React框架）”时，又在另一个条目中写到“参考了mem_042的选择”，系统就会在两者之间建立一条“引用”关系。
可达性指标就是基于这张图计算的。它使用并查集算法来检测图中的连通分量。理想状态下，所有记忆节点应该属于一个或少数几个大集群。如果出现了许多小集群或孤立点，说明知识体系是碎片化的。系统会据此给出建议，例如“检测到3个孤立记忆集群，建议添加交叉引用”。
注意事项：关联的建立目前主要依赖于你在书写记忆时手动或半手动地引用其他条目的ID（如
mem_042）。未来结合更强大的NLP模型，有望实现更自动化的语义关联发现。现阶段，有意识地建立引用是提升“连贯性”和“可达性”分数的关键。
3.4 跨实例迁移与数据安全
对于拥有多个MyClaw实例（例如，一个用于工作，一个用于个人项目）的用户，Auto-Dream提供了优雅的迁移方案。你可以通过指令“导出记忆包”生成一个包含所有记忆层数据和元数据的JSON文件。在另一个实例上使用“导入记忆包”，系统会执行智能合并，默认以时间戳较新的条目为准，并在导入前自动备份现有数据。
这个功能的核心价值在于知识资产的便携性。你可以将资深“工作助手”的经验打包，快速赋能一个新的“项目助手”，或者在进行服务器迁移时无缝转移所有记忆。数据安全是设计的首要原则：所有操作非破坏性，自动备份机制确保任何误操作都可回滚。
4. 完整安装、配置与日常使用指南
4.1 安装与初始化
安装Auto-Dream极其简单，最推荐的方式是直接对你的MyClaw智能体说：“安装Auto-Dream”。智能体会自动从ClawHub技能库中获取并完成部署。你也可以通过命令行安装：
clawhub install openclaw-auto-dream安装完成后，最关键的一步是初始化。对你的智能体说：“设置Auto-Dream”。它会引导你完成以下步骤：
- 创建Cron任务：询问你希望的“做梦”时间（默认是本地时间凌晨4点），并为你配置好定时任务。
- 初始化记忆索引：创建
memory/index.json文件，并写入v4.0版本的数据结构。 - 设置通知偏好：让你选择梦境循环后的通知级别（
silent静默，summary摘要，full完整报告）。 - 运行首次梦境循环：立即扫描现有的日志文件，构建初始的记忆库，让你立刻看到效果。
这个“首次梦境”体验在v4.0中得到了极大优化，即使你的日志目录是空的，它也会创建所有必要的文件结构，并生成一份欢迎报告，让你快速建立认知。
4.2 日常使用与指令
日常使用中，你几乎不需要手动干预。梦境循环会自动在后台运行。但系统也提供了几个关键指令供你主动调用：
- 手动触发记忆整理：当你完成一段高强度工作，希望立即整合知识时，可以对智能体说“立即做梦”、“运行记忆维护”或“整合我的记忆”。
- 查看记忆状态：除了生成完整的HTML仪表盘，通知中的摘要报告也能快速让你了解最新情况。摘要报告类似：
🌀 健康度: 82/100 | +5 新增， ~3 更新， -1 归档 | 💡 核心洞察：[某个发现的模式] - 管理特定记忆：你可以通过编辑
MEMORY.md文件来直接增删改记忆条目。只需记住，任何修改在下一次梦境循环时都会被系统感知、重新评分并整合进索引。对于需要永久保存的条目，别忘了加上⚠️ PERMANENT标记。
4.3 版本升级与数据迁移
Auto-Dream的版本迭代非常活跃，每个大版本都带来了显著的功能提升。开发者充分考虑了向后兼容性。从v1.x到v2.x（引入五层模型），或从v2.x到v3.x（引入健康度、仪表盘），官方都提供了详细的迁移指南（项目references/目录下）。所有升级都是非破坏性的，你的原始记忆数据（日志、MEMORY.md）永远不会被删除，只会被重新组织和增强。
升级操作的核心步骤通常是：
- 备份当前的
memory/目录（尽管系统会自动备份，手动备份是双保险）。 - 通过ClawHub或Git拉取新版本代码。
- 运行一次手动的梦境循环（“立即做梦”），系统会自动检测旧数据结构，并按照新版本的规则进行转换和重建索引。
- 检查生成的报告和仪表盘，确认数据迁移无误。
5. 高级技巧、问题排查与效果优化
5.1 提升记忆质量的实用技巧
- 善用标记：在每日日志或对话中，有意识地使用标记来引导Auto-Dream。
⚠️ PERMANENT：用于绝对不变的核心信息，慎用。🔥 HIGH：用于非常重要的阶段性决策或发现。📌 PIN：用于需要长期保持在注意力范围内的待办事项或参考信息。<!-- important -->：在行内注释中标记关键句子，方便提取。
- 结构化记录：虽然Auto-Dream能从自然语言中提取信息，但适度结构化有助于它更好地理解。例如，在记录一个会议时，可以写成：
日期：2023-10-27 与会人：张三（产品），李四（开发） 决策：确定产品V2.0优先开发A功能，引用依据 mem_058（用户调研报告）。 后续：李四周五前提供技术方案。 - 主动建立关联：在
MEMORY.md中编辑时，多使用mem_XXX的格式引用其他条目。这是构建知识网络最直接有效的方法。 - 定期审查仪表盘：每周花几分钟查看记忆健康度仪表盘，关注“连贯性”和“可达性”指标。如果分数偏低，意味着你的记忆比较碎片化，可以主动寻找条目间的联系并添加引用。
5.2 常见问题与排查
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 梦境循环没有自动运行 | 1. Cron任务未正确安装。 2. 服务器时区设置问题。 | 1. 检查crontab -l，确认是否存在Auto-Dream任务。2. 对智能体说“重新设置Auto-Dream定时任务”，或手动调整cron时间表达式。 |
| 仪表盘生成失败或显示空白 | 1. 梦境循环尚未成功运行过，没有数据。 2. HTML文件生成时出错。 | 1. 先手动运行一次“立即做梦”。 2. 检查 memory/目录下是否生成了dashboard.html，并查看dream-log.md中的错误日志。 |
| 记忆条目没有被正确归档或提取 | 1. 日志格式过于随意，系统难以解析。 2. 条目重要性评分始终较高。 | 1. 尝试稍微规范一下日志书写，使用清晰的日期、项目标签等。 2. 检查该条目是否被频繁引用（引用增强高），或带有 🔥 HIGH标记。 |
| 导入记忆包时发生冲突 | 两个记忆包中存在相同ID但内容不同的条目。 | 系统默认采用“更新者获胜”策略（时间戳新的覆盖旧的）。导入前会强制备份，如有需要可从备份中恢复特定条目。 |
| 健康度分数持续下降 | 1. 长时间没有新的日志输入（新鲜度下降）。 2. 记忆条目间缺乏关联（连贯性、可达性低）。 3. MEMORY.md变得冗长（效率下降）。 | 1. 正常使用智能体即可提升新鲜度。 2. 主动在记忆间添加引用链接。 3. 考虑将一些过时细节归档，或要求智能体帮你总结提炼长条目。 |
5.3 效果评估与迭代
如何判断Auto-Dream是否真的提升了效率？除了直观感受，可以关注以下几点：
- 决策速度：当你在新项目中遇到类似老问题，智能体是否能更快地给出建议？因为它能直接关联到过去的记忆（
mem_XXX）。 - 上下文连续性：在间隔数天甚至数周的对话中，智能体是否还能记得之前讨论的细节、做出的决策？
- 洞察质量：关注梦境报告中的“洞察”部分。它提供的“非显而易见观察”是否真的对你有启发？例如，“注意到你总是在周一做出战略决策”，这可能提示你需要审视自己的规划习惯。
Auto-Dream不是一个“设置即忘”的工具。你与它的互动方式——如何记录、如何标记、如何建立关联——会直接影响其产出效果。将它视为一个需要共同训练的“外接大脑”，你的输入质量决定了它的输出价值。经过几周的磨合，你会发现自己与智能体的协作变得更加默契，它不再是一个每次都要从头教起的工具，而是一个真正积累了共同经验、不断成长的伙伴。
