大模型的長期記憶一直是個老問題。上下文越積越多，資訊就越容易混亂。智能體看似什麼都記得，實際上卻越來越難判斷什麼重要、什麼該忘。

4 月 5 日，OpenClaw 在新版本中上線了一項實驗功能：Dreaming。它不是一個花俏名稱，而是一套模仿人類睡眠過程的背景記憶整理機制，目標很直接，就是讓智能體醒來之後記得更準。

01 睡眠演算法：把記憶整理拆成三個階段

Dreaming 並不只是做索引，而是把記憶整理拆成三個邏輯階段，對應人類睡眠中的不同功能。

淺睡階段（Light Sleep）：系統先掃描近期對話與召回紀錄，做去重與初步篩選，建立候選內容。這個階段只做暫存，不會直接改動核心記憶檔案 MEMORY.md。

深睡階段（Deep Sleep）：系統開始依規則篩選高價值資訊。只有同時達到最低評分、最低召回次數與最低獨特查詢次數的內容，才會進入下一步。寫入前還會重新比對最新日誌，剔除過時內容，最後把結果追加到 MEMORY.md，並在 DREAMS.md 中留下深睡摘要。

快速動眼階段（REM）：在記憶固化之後，系統會進一步分析短期行為痕跡，尋找不同資訊之間的潛在關聯，生成模式總結與反思內容。這部分會寫入專門的 REM 區塊，幫助智能體在處理複雜任務時更容易掌握全局。

除了給機器自己使用的記憶整理機制，Dreaming 還會順手生成一份更適合人類閱讀的「夢境日記」。當素材累積到一定程度，背景子智能體會呼叫預設模型，在 DREAMS.md 中追加一段簡潔說明。

02 評分機制：決定什麼該留下，什麼該被忘掉

Dreaming 的關鍵不只是「整理」，更是「篩選」。OpenClaw 沒有繼續沿用粗放式的全量保存，而是用一套加權評分機制判斷哪些資訊值得進入長期記憶。

這套機制主要看六個維度：

• 相關性權重（30%）：衡量資訊在被檢索時到底有沒有用。
• 頻率權重（24%）：統計某條資訊被反覆提及的次數。
• 查詢多樣性（15%）：看它是否在不同問題與情境中都出現過。
• 時效性權重（15%）：讓近期資訊擁有更高優先級。
• 整合度權重（10%）：看資訊是否能跨多天穩定出現。
• 概念豐富度（6%）：判斷它背後的關聯概念是否足夠豐富。

這代表系統不是把所有內容一股腦塞進長期記憶，而是優先保留那些反覆出現、能解決問題、又不過時的資訊。

03 為什麼它會讓人想到 Claude 的「做夢」思路

有開發者認為，OpenClaw 這次 Dreaming 升級的思路，很像 Claude Code 洩露程式碼中提到的 KAIROS 自動做夢機制。過去那種反覆讀寫整個 MEMORY.md 的做法，到了後期很容易讓記憶系統愈來愈臃腫；而 Dreaming 把流程拆成淺睡整合、深睡固化、REM 關聯，邏輯明顯更清楚，也更接近「先整理、再沉澱、再提煉」的設計。

也有人從神經科學角度肯定這套設計。因為 Dreaming、淺睡、深睡與 REM 這些概念並不是隨便取的名字，而是明確借用了人類睡眠鞏固記憶的模型。

OpenClaw 現有的 IDENTITY.md、USER.md 和 HEARTBEAT.md 已經提供了智能體的人設、使用者上下文與運行連續性，而 DREAMS.md 補上的，正是「哪些記憶該留下」的能力。

04 最諷刺的一幕：機器學會做夢，人卻睡不著

Dreaming 的真正價值，不是讓 AI 什麼都記住，而是讓它學會回顧短期記憶、提取底層模式、過濾噪音。一個真正好用的智能體，不應該像移動硬碟一樣死記硬背，而應該越來越懂使用者的偏好、目標與背景。

從工程角度看，這套機制最值得注意的地方，在於它並不神祕。它不是黑盒魔法，而是一套有階段、有門檻、有反思，也有遺忘規則的背景流程。這種設計讓 AI 的記憶機制第一次看起來更像「可控的系統」，而不只是「無限堆上下文」。

但也正因如此，整件事才顯得有些諷刺：我們正投入大量資源，教機器如何像人一樣做夢；與此同時，許多人卻因為擔心被這些越來越聰明的系統取代而失眠。