之前一直在用3.28版本，怕升级挂了，一直没升级。今天升级了一下最新版本，研究了一下都有哪些新功能。AI 工具这两年多到眼花，每周都有新产品出来说自己更聪明、更快、更懂你。大多数我试了两天就放下了。OpenClaw 不一样的地方，不是它背后跑的哪个模型有多强——它接了几十个模型，这不是它的差异点。它真正不一样的地方，是它在解决一个绝大多数 AI 工具都假装不存在的问题：你和 AI 之间的关系，能不能随着时间积累？你今天花两小时跟它讲清楚你的项目背景、你的偏好、你踩过的坑。明天打开，一切清零。你得重新介绍自己。这不是某一个工具的问题，这是整个行业的默认状态。大家默认 AI 是无状态的，每次对话是全新开始，记忆靠上下文窗口塞。OpenClaw 这几个月的更新，有一条很清晰的主线：他们在认真拆解这个问题，一层一层地解决它。下面我按版本顺序，从最早到最新，讲讲这几个月他们都做了什么。
PART 01
v2026.4.5（4月6日）：打基础的一个大版本这个版本的更新量很大，100 多个贡献者，8000 多个 commit。我把里面我觉得真正重要的东西挑出来讲。Dreaming 的第一次亮相Dreaming 是这几个月最核心的功能线，它在这个版本里以”实验性功能”的形态首次出现。先解释一下它是什么，以及为什么这件事比表面上看起来重要得多。现在市面上几乎所有的 AI 记忆方案，本质都是「更大的上下文窗口」。你说过的话，存在数据库里，下次对话时候塞进提示词里，让模型「看到」。这个方案有效，但有三个根本性的天花板：第一，成本随时间线性增长。你用的时间越长，历史记录越多，每次对话的 token 消耗越大。用到一定程度，经济上不可持续。第二，没有遗忘机制。你六个月前说自己不喜欢写文档，三个月前说要改变这个习惯，今天已经在认真写了。但这三条信息在上下文里权重完全相同，AI 无法判断哪条更反映现在的你。第三，无法建立跨对话的规律。你在十次不同的对话里，都在某个类似的决策节点上卡壳。这个模式藏在十次对话的日志里，上下文塞入方案看不到它。Dreaming 的思路来自人类的睡眠记忆机制。睡眠研究里有一个关键发现：大脑对白天经历的处理，主要发生在睡眠的不同阶段。轻度睡眠做初步筛选，深度慢波睡眠做信息压缩，REM 阶段做跨记忆的整合与联结。这不是比喻，是有神经生物学实验支撑的机制。OpenClaw 的 Dreaming 把这个结构直接映射到 AI 记忆处理上：
Prompt 缓存的系统性优化Prompt 缓存的原理是：如果你的提示词的某个前缀和上次一样，服务端可以复用上次的计算结果，不需要重新跑。这能显著降低延迟和 API 费用。这个版本针对那些「无意义地破坏缓存」的场景做了一系列修复：工具定义顺序固定化、系统提示格式归一化、HEARTBEAT.md移到缓存边界以下、移除系统提示里重复的工具定义文本。这些合在一起，实际使用中缓存命中率大幅提升，openclaw status --verbose里可以直接看到数字。安全加固
设备配对越权：非管理员身份只能管理自己的设备 token，不能触碰其他设备的访问权限。
浏览器SSRF绕过：每次导航跳转后都重新跑封锁检查，防止通过点击序列引导 AI 访问内网地址。
ClaudeCLI环境隔离：OpenClaw 启动 Claude CLI 子进程时清理继承的环境变量，防止请求被重定向到不同的配置树或代理。
PART 02
v2026.4.12（4月13日）：质量巩固 + Active Memory 登场Active Memory：记忆检索层Dreaming 解决长期记忆的沉淀问题，Active Memory 解决另一个问题：当前对话里，该从记忆库里取哪些内容出来用？Active Memory 插件会在每次回复之前，自动从你积累的记忆里检索相关内容附加进上下文。三种模式：message（针对当前消息）、recent（最近几条对话）、full（全量检索）。用/verbose可以实时看到它在调取哪些内容。这和 Dreaming 组合起来是一套完整的记忆架构：Dreaming 负责把短期信息整理成长期记忆，Active Memory 负责在需要的时候把对的记忆取出来用。LM Studio 本地模型接入加了 LM Studio 的内置供应商，包含完整引导流程、运行时模型自动发现、流式预加载，以及用于 memory search 的本地 embedding。本地模型配置门槛大幅降低。macOS 本地语音（实验性）通过 Apple MLX 框架在 macOS 上实现本地语音合成。以前 Talk Mode 语音必须调云端 API，现在苹果芯片 Mac 用户可以完全本地运行，延迟更低，不需要联网。Dreaming 稳定性修复对 Dreaming 的事件消费和 transcript 处理做了修复，解决了重复摄入的问题。
夜雨聆风
