你的Agent会做梦了,OpenClaw和Anthropic给出的两种解法

你跟AI Agent聊了两个月，每天都在用，它记住了你喜欢什么风格、哪些项目在跑、踩过什么坑。然后有一天你突然发现，它说的有些东西好像是错的。或者更准确地说，有些东西曾经是对的，但现在不是了。

你去找它对质，它一脸无辜：是你让我记住的啊？

这种「记了，但记乱了」的感觉，我相信用过长期Agent的人都有体会。

2026年的春天，两个团队都发现了这个问题。他们都决定让Agent学会「睡觉」，在不使用的时候整理自己的记忆。

一个团队4月5日发布了方案，叫OpenClaw Dream。

另一个团队5月6日发布了方案，叫Anthropic Dreaming。

名字都带「Dream」，发布日期差了整整一个月。

但做出来的东西，完全不一样。

下面来分别说道说道这两个方案。

你可能会想，上下文窗口不是越来越大了嘛，128K、1M都有了，记不住就塞更多进去不就完了？

没那么简单。

第一，成本扛不住。 每次对话都加载全部历史，token消耗是选择性记忆的十几倍。你用得起，但你的钱包不一定同意。

第二，信息多了反而找不到重点。 128K窗口里可能只有3条有用信息，模型要在海量噪音里捞针。越大的窗口，「中间遗忘」效应越严重，真正重要的内容反而被淹没了。

第三，检索也会退化。 信息越多，向量检索越不准。语义相似但内容无关的噪音增多，你搜「项目架构」，它给你返回三条过时的技术方案。

所以问题从来不是「能存多少」，而是「该存什么」。

但问题不只是存什么。就算你知道该存什么，Agent用久了，记忆还是会腐败。

我的60天真实体验

我同时部署了5个Agent，每个有独立的workspace。

用OpenClaw的Memory系统跑了大概60天。一开始感觉挺好。Agent记住了我喜欢什么风格、哪些项目在跑、踩过什么坑。跨会话的时候不用每次都重新解释背景信息，省了很多力气。

但用着用着，问题就来了。

MEMORY文件越来越大。有些信息明明已经过时了还占着位置，有些重复的偏好被写了好几遍，而真正重要的新知识反而被噪音淹没。

personal agent帮我记录作息习惯时，第一周写的是「Boss习惯晚睡晚起」，但我已经改了作息，这一条还挂着没更新。content agent帮我记录写作风格偏好，今天写的是「段落要短、开头用『其实』」，明天再补充又写了「文章控制在800字以内、不要太长」，几次下来描述不统一，agent自己也搞不清我到底想要什么。

就像你有个特别能干的助理，但他的办公桌越来越乱。文件堆成山，找个东西要翻半天，好不容易找到一个，上面标注的信息还是三个月前的。

Agent不是记不住，是记住了太多、记住了太乱、记住了太多过时的东西。

这就是记忆腐败。

我的应对策略：每周定时任务

说了这么多问题，该说说我现在的应对策略了。

我在Dreaming出来之前就发现了记忆腐败，所以一个月前启动了每周定时任务来解决这个问题。

这个任务干三件事：

第一，从每日笔记里提取最重要的部分到MEMORY。 有些重要信息可能只是我没来得及检索，需要手动补位。

第二，自动合并MEMORY里相同的内容。 比如我的写作风格偏好可能分好几次写进去，定时任务会把它们合并成一条。

第三，删除它认为不重要的信息，但删除前会先备份。 这是最关键的一步。系统化的「记忆体检」，定期清理明显过时或从未被使用的条目。

目前跑得还行，没有遇到太多问题。

踩过的坑告诉我：虽然理论上有各种自动化方案能控制膨胀，但如果你真的把记忆系统用起来，用得杂、用得深，单纯的自动整合是不够的，还是需要一些人工介入来弥补。

OpenClaw在4月5日发布了Dream功能。它解决的是「信息太多、需要筛选」这个问题。

怎么理解它的方案呢？

你可以把Agent的大脑想象成人脑。白天你接收了大量信息，但不是所有信息都会变成长期记忆。很多信息在睡眠时被大脑整理、筛选、归档，只有一小部分真正重要的会被强化进入长期记忆。

OpenClaw Dream就是在模拟这个过程。

它把记忆整合分成三个阶段：

Light阶段（浅睡）：处理最近一天或几天的短期记忆。干的事情比较简单，去重，把明显重复的内容合并一下，输出到临时区域，不直接写入长期记忆。就像你睡前把桌上的文件随便归归类，重要的放一边，不重要的先堆着。

REM阶段（快速眼动）：开始做反思。看看最近哪些主题反复出现，哪些坑踩了两次以上。输出是主题摘要和反思记录。这个阶段是大脑开始真正「整理」的阶段，不只是分类，还要理解这些信息之间的关系。

Deep阶段（深度睡眠）：这是关键。需要六维评分达到门槛，才会真正把内容提升到MEMORY.md。评不出来的不提升，宁缺毋滥。就像大脑在决定「这些信息真的值得进入长期记忆吗」？

三阶段的逻辑是：信息不是直接写入长期记忆的，需要经过层层筛选。

 OpenClaw三阶段流程图

六维评分系统

OpenClaw的评分系统是它的核心技术亮点。

六个维度的权重是公开的：

• 相关性（0.30）：被检索的次数越多越重要。你用得越多，系统认为它越重要。

• 频率（0.24）：出现频率越高越重要。反复出现的信息通常更有价值。

• 查询多样性（0.15）：被不同场景引用越多越重要。如果你从多个角度都用到了这条信息，那它很可能是核心知识。

• 时效性（0.15）：越新鲜的内容权重越高。旧信息可能已经过时了。

• 巩固度（0.10）：跨天重复出现的强度。今天用了明天还用，说明这条信息是持续有效的。

• 概念丰富度（0.06）：信息密度高不高。信息量大但简洁的内容更有价值。

三道门控是：综合评分≥0.8、被检索≥3次、来自≥3个不同上下文。

这意味着一个条目即使出现频率很高，如果只出现在一个上下文中，也不会被提升。这防止了「局部噪音」被误判为「全局知识」。

六维评分雷达图+门控

Recall Signal陷阱

这是OpenClaw Dream方案使用中一个非常需要注意的部分，必须单独拿出来说。

OpenClaw的评分系统依赖一个叫recallCount的指标，字面意思是「被回忆的次数」。它的逻辑是：一条记忆如果被反复检索，说明它重要，应该提升到长期记忆。

问题在于：只有调用memory_search才会增加recallCount。

如果你让Agent读一个文件发现了重要事实，或者执行命令得到了关键信息，这些都不会增加recallCount。结果就是：Agent可能通过各种方式获取了重要知识，但因为没有显式检索记忆，这些知识永远不会被Dreaming提升。

今年5月11日，我跟踪了4天我的Dream使用数据：

Light Phase候选数：1,763行

Deep Phase每天评估：6个

晋升到MEMORY.md：0条

4天下来，1763条候选等着被评估，Deep Phase每天只评估6条，然后0条晋升。一条都没有。

我当时也愣了。但冷静下来一看，问题出在哪？

所有候选的recallCount都是0，从未被后续对话召回。

confidence只有0.58，离0.8的门槛还远。

这两点叠加在一起，结果就是：候选积累了一大堆，但因为recallCount不够，评分永远达不到门槛。因为评分不够，Deep Phase永远不提升。

这是使用门槛的问题，不是系统缺陷的证据。 Dreaming不是装上就自动生效的，你需要理解它的机制然后配合使用。

Recall Signal数据图

Anthropic在5月6日发布了Dreaming。它解决的是「Agent每次新会话都像失忆」这个问题。

官方的描述很简洁。「定时调度的后台进程」，它的工作流程很清晰：会话结束后自动触发，回顾过去一段时间的会话历史和记忆存储，干三件事，合并重复的事实、替换过时的信息、挖掘反复出现的模式，然后更新记忆库。

最大的特点是不需要人工干预，Agent自己学会记住该记住的东西。

Harvey（法律AI公司）是Anthropic的官方客户案例。通过Dreaming，他们的Agent记住了在会话之间学到的内容，包括文件类型变通方法和工具特定模式。完成率提升了约6倍。

从官方数据看，8分钟的Agent任务能处理530万tokens的会话历史，生成98行自动化脚本。这种长周期任务整合能力，是它最核心的价值。

从Claude Code本地版看Anthropic的思路

虽然Anthropic没有公开详细机制，但技术社区对Claude Code本地版的Auto Dream做了逆向工程分析，对我们理解Anthropic的思路很有帮助。

Claude Code本地版用的是三层记忆架构：

第一层：Session Memory（当前会话）。当token增长≥5K且工具调用≥3次时触发，后台forked agent维护结构化笔记。

第二层：Auto Memory Extraction（每轮对话结束）。当最终回答后触发，提取持久记忆到磁盘。

第三层：Auto Dream（跨会话整合）。当≥24h且≥5个新会话时触发，作用是合并重复、修正过时、修剪冗余。

三层架构的逻辑很清晰：当前会话的笔记 → 每轮结束提取到磁盘 → 跨会话整合归档。

更精妙的是它的四步门控机制：

① 时间门：距上次整合≥24小时。这是第一道关卡，先看时间够不够。

② 扫描节流：距上次扫描≥10分钟。这是性能优化，防止频繁扫描。

③ 会话门：≥5个新会话。这确保有足够的会话样本才做整合。

④ 锁门：防止多个进程同时consolidation。这是并发控制，避免重复处理。

四道门从低到高，层层把关，确保整合动作在合适的时机发生。

注意：这是Claude Code本地版的逆向分析，不是Managed Agents Dreaming的官方机制。 Managed Agents版本可能更复杂，也可能有不同的设计选择。但从中我们可以看出Anthropic在记忆系统上的设计思路，时间+会话数的双重门控，确保整合是有意义的。

Anthropic三层架构+四步门控图

同样的Dream，不同的场景

写到这里，你会发现两家的差异不是「理解不同」，而是面对的问题本来就不一样。

OpenClaw面对的场景是：Agent已经记住了很多东西，但记忆质量在下降，需要做减法提升质量。 六维评分、三道门控，都是为了筛选出真正重要的信息，宁缺毋滥。

Anthropic面对的场景是：Agent每次新会话都像失忆，跨会话的经验完全留不住，需要做加法把经验沉淀下来。 定时调度、三层架构，都是为了把丢失的东西捡回来，宁多勿漏。

都叫Dream，但解决的是两个完全不同的记忆问题。

OpenClaw适合：你已经用Agent很久了，它记住了一大堆东西，但越来越乱，越来越不准确。需要有人来「整理书架」。

Anthropic适合：你每次新建会话都要从头解释背景，Agent之间无法共享经验。需要有人来「记住你说过的」。

搞清楚自己面对的是哪个问题，才能选对方案。

说了这么多技术细节，最后聊点实在的，对我来说有哪些启示。

1. 记忆系统的价值不在于存了多少，而在于用了多少。OpenClaw的评分系统看recallCount，只有被显式检索的记忆才算「真正重要」。Anthropic的Dreaming挖掘跨会话的模式，只有反复出现的经验才值得沉淀。这两家不约而同地在说：记忆不是越多越好，被用到的记忆才是有价值的记忆。所以与其想着「怎么让Agent记住更多」，不如想着「怎么让Agent真正使用记忆」。一个被反复检索的记忆，比一百条写入后从未被调用过的记忆有价值得多。

2. 「被使用」比「被写入」更重要。我在第一条里已经说了核心观点，这里补充一个实操建议：定期审计你的MEMORY.md，看看哪些条目已经过时，从未被用过。这些条目要么删掉，要么想想为什么Agent从来没检索过它。OpenClaw的文档甚至建议每周问自己三个问题：这条规则上周用过吗？用了有效吗？环境变了它还成立吗？

3. 记忆系统不是装上就完事。很多人以为给Agent加个Memory系统就解决了记忆问题，实际上记忆系统需要配合使用。OpenClaw需要你理解Recall Signal的逻辑、知道什么时候该手动触发检索。Anthropic需要你设计好评估标准。完全放手的结果通常是：记忆膨胀但质量下降，或者记忆根本没被整合。建议：使用任何记忆系统之前，先读一遍它的核心文档，搞清楚「什么情况下记忆会被写入/更新/删除」。

4. 接受遗忘是必要的。两个方案都在强调「遗忘」的重要性。Anthropic会替换过时信息，OpenClaw会淘汰评分不足的内容。不要追求「记住一切」。 记忆系统的目标不是最大化存储，而是最大化有价值的检索命中率。每月定期清理一次MEMORY.md，删掉明显过时或从未被使用的条目。

5. 定期整理比完美系统更实际。我自己的每周定时任务就是证明，不完美的定期整理胜过完美的零干预。有时候一个看起来很土的办法，反而是最管用的。

6. 先把正在用的理解透，比追新更值。OpenClaw比Anthropic早了整整一个月发布，说明开源社区对需求的敏感度确实领先。但对我们这些实际用Agent的人来说，「记忆需要主动管理」这个理念是共通的，不管你用哪家的方案。与其追求最先进的记忆系统，不如先把正在用的这套理解透。

下篇见！避免错过更多干货，点击下方卡片关注

希望本文能对你有所启发，欢迎关注～

也感谢你的点赞与分享：）