夜雨聆风
2026年4月11日到14日，OpenClaw 对 Memory 系统进行了集中升级，推出了两个重磅新能力：🌙 Dreaming 机制——让 AI 在夜间自动"做梦"，把短期信号转化为长期记忆；🏛️ Memory Wiki——结构化"记忆宫殿"，让 AI 的知识管理从笔记升级为知识图谱。本文用一条核心线索把它们串起来：OpenClaw 的记忆管理哲学。
一、为什么需要"记忆管理"这条线索
很多 AI 工具的 memory 是被动堆砌的——对话结束，存一条；下次用到，调出来。这有几个根本问题：
不知道什么值得记：高频出现的未必重要，偶尔提到的未必不重要
不知道什么时候整合：Session 结束后，碎片知识没有机会被蒸馏
知识没有结构：散乱的 notes 无法支撑推理和检索
无法自我修正：错误的记忆会一直错下去
OpenClaw 4月的更新，正是针对这四个问题给出了系统性的答案。
二、Dreaming 机制：让 AI 学会"忘记"和"记住"
2.1 什么是 Dreaming
Dreaming 是 OpenClaw v2026.4.12 引入的夜间自动记忆优化机制。
它的灵感来源很直观：人类睡眠时，大脑并不会停止工作——它会在 REM 阶段重放白天的记忆，强化重要的，忘掉不重要的。
OpenClaw 的 Dreaming 做的是同样的事：在凌晨3点（可自定义），AI 启动一个三阶段的夜间运行流程，对当天的短期记忆信号进行评分、提炼和写入长期记忆 MEMORY.md。
💡 关键特性：Opt-in（默认关闭）、凌晨运行、三阶段门槛、Session transcripts 脱敏后进入 dreaming corpus
2.2 三阶段：Light → Deep → REM
Dreaming 不是一步到位的。它分为三个阶段，每个阶段有完全不同的目标：
🌫️ 第一阶段：Light Phase（轻度处理）
这一阶段做的是"收集"：
• 读取当天的 memory/daily/YYYY-MM-DD.md 文件
• 读取短期 recall state（高频被召回的信息）
• 读取并脱敏 session transcripts——这一步很重要：原始对话记录在进入 Dreaming corpus 之前会先脱敏，保护隐私
Light Phase 不写 MEMORY.md。 它的职责是"读"，而不是"写"。
🔬 第二阶段：Deep Phase（深度评估）
这是 Dreaming 的核心。Deep Phase 会对 Light Phase 收集到的所有信息碎片进行六维评分：
| 维度 | 权重 | 含义 |
|---|---|---|
| Frequency（频率） | 0.24 | 这个信息在短期内被提及的频率 |
| Relevance（相关性） | 0.30 | 这个信息与用户长期目标的相关性 |
| Query diversity（查询多样性） | 0.15 | 触发这个信息的问法是否多样 |
| Recency（时效性） | 0.15 | 这个信息距离现在有多近 |
| Consolidation（巩固度） | 0.10 | 这个信息是否已经被多次确认 |
| Conceptual richness（概念丰富度） | 0.06 | 这个信息的抽象程度和连接潜力 |
评分结果按权重加权求和，得到一个综合分。但光分数高还不行，还需要同时满足：
• minScore 阈值
• minRecallCount（被召回过至少 N 次）
• minUniqueQueries（来自至少 M 个不同类型的查询）
三个门槛全部通过，这条信息才会被 promote 到 MEMORY.md。偶发的一次性对话内容不会污染长期记忆；真正重要的信息会因为被反复确认而获得保留资格。
🌌 第三阶段：REM Phase（类睡眠期）
这是 Dreaming 最有趣的部分。REM Phase 不做记忆写入。它的职责是：
• 提取当天 session 的主题和反思信号
• 识别概念之间的潜在跨 session 连接
• 将这些"朦胧的洞见"写入一个叫 DREAMS.md 的文件
DREAMS.md 是给人类阅读的。 它不进入机器检索系统，但提供了一个让用户了解"AI 今天想了什么"的可读窗口。
2.3 配套能力
Promotion/doctor：一个健康检查机制，定期验证已经被写入 MEMORY.md 的信息是否还"健康"——如果某个长期记忆的置信度下降到阈值以下，会触发降级或删除。
Cursor checkpointing：在 Dreaming 运行前，对当前 session 状态做快照，确保如果 Dreaming 过程出现问题可以回滚。
2.4 Dreaming 的设计哲学
保守写入：不是所有短期信号都值得进入长期记忆，宁可少写，也要写准
隐私优先：Session transcripts 在进入 corpus 之前必须脱敏，这不只是合规，更是对用户信任的保护
人类可审计：DREAMS.md 让用户可以查看 AI 在"想什么"，而不是把记忆系统做成黑箱
2.5 Grounded Backfill
Grounded backfill：可以回填历史每日笔记，评估哪些旧记忆值得晋升为长期记忆，并支持 rollback。如果你是从旧版本升级上来的，OpenClaw 有办法帮你重新评估历史积累，而不是让它们全部石沉大海。
三、Memory Wiki：结构化"记忆宫殿"
3.1 从散乱笔记到知识图谱
如果 Dreaming 解决的是"哪些信息值得进入长期记忆"，那么 Memory Wiki 解决的是"长期记忆如何结构化存储和检索"。
Memory Wiki（v2026.4.13 完整恢复）是一套完整的结构化知识管理系统，位于 memory-wiki plugin。它的核心理念是：AI 的记忆不应该只是一堆 Markdown 文件，而应该是一个有结构、有置信度、有来源、可追溯的知识图谱。
3.2 五大知识分类
Memory Wiki 将知识分为五个核心目录：
entities/：实体——具体的人、事物、项目
concepts/：概念——抽象的规则、模式、方法论
syntheses/：综合——从多个来源提炼出的结论
sources/：来源——原始参考材料的引用
reports/：报告——定期生成的健康报告和摘要
每一条记录（claim）包含以下结构化字段：
text：核心内容
status：状态——confirmed / disputed / outdated / speculative
confidence：置信度（0~1）
evidence[]：证据列表——包含来源和类型（direct / corroborating）
updatedAt：更新时间
3.3 自动追踪矛盾
Contradiction Clustering（矛盾检测）是 Memory Wiki 最强大的能力之一。系统会自动发现：
低信心 claim：置信度低于某个阈值（比如 0.4）的记录，会被标记为需要补充证据
矛盾 claim：同一个问题的两条互相矛盾的记录，会被聚类在一起，生成"待裁决"提醒
过期内容（Stale pages）：长期没有被更新的 claim，会进入 staleness dashboard
这实际上给 AI 的记忆系统引入了一个自我纠错机制——错误的信息不会永远躺在那里，它会被追踪、被标记、被解决。
3.4 健康报告（Dashboard）
Memory Wiki 会定期生成五类健康报告：
Open questions：悬而未决的问题
Contradictions：待裁决的互相矛盾的 claim
Low-confidence：需要补充证据的低信心 claim
Claim-health：各 claim 的整体健康状态
Stale-pages：长期未更新的过期内容
3.5 Bridge Mode
Bridge mode：可以读取 memory-core 的 artifacts（MEMORY.md、每日日志等），并将其汇入 Wiki 的结构化格式。之前积累的所有非结构化记忆，可以通过 bridge mode 逐步迁移到结构化 Wiki 中，不需要一次性重写。
3.6 双层记忆搜索
memory_search corpus=all
→ 第一层：memory-core（MEMORY.md + 每日日志）
→ 第二层：Memory Wiki（entities/concepts/syntheses/sources/reports）
3.7 Obsidian 友好 + 3.8 Claim Health Linting
Wiki 输出支持 Obsidian 友好的 Markdown 渲染格式——如果习惯用 Obsidian 做个人知识管理，OpenClaw 的 Memory Wiki 可以无缝嵌入现有工作流。
Memory Wiki 还内置了定期健康检查：系统会定期扫描所有 claim，评估其健康度，及时发现和标记问题。
四、OpenClaw vs Hermes Agent Memory：客观对比
⚠️ 特别说明：本节数据来源于 Nous Research 官方披露及公开基准测试，OpenClaw 部分基于官方文档和 Jeff（Hopper）私有部署实测。所有对比均注明来源，力求客观。
4.1 Hermes Agent Memory：7款 Provider
| Provider | 存储 | 成本 | 核心技术 | LongMemEval |
|---|---|---|---|---|
| Hindsight | 本地/云 | 免费(本地) | 知识图谱+entity提取+reflect综合 | 91.4% |
| Holographic | 本地SQLite | 免费 | HRR代数+信任评分自纠正 | — |
| OpenViking | 自托管 | 免费 | L0/L1/L2分层加载（省80-90% token） | — |
| Mem0 | Mem0云 | 免费/付费 | 服务端LLM提取+双记忆范围 | 67.6% |
| Honcho | 云/自托管 | 不等 | 辩证式用户建模 | — |
| ByteRover | 本地/云 | 免费 | Markdown知识树 | — |
| RetainDB | 云 | 付费 | 向量+BM25+重排混合 | — |
4.2 Hindsight 核心特点（Hermes 最强 Provider）
• 唯一存储结构化知识的 provider（实体+关系，非文本块）
• hindsight_reflect 跨记忆综合，定期从所有记忆中推导高层洞察
• LongMemEval 91.4%（Gemini-3），目前所有 provider 最高分
• 支持本地 PostgreSQL（无云依赖）
4.3 OpenClaw Memory 核心特点
• Dreaming 阈值门控自动化程度高，无需人工筛选
• Memory Wiki 的 claim-centered 信念层，证据可追溯
• 三层架构：Builtin(QMD/SQLite) + Dreaming自动化 + Wiki结构化
• ⚠️ 无公开 LongMemEval 基准数据（诚实说明）
4.4 客观对比总结
| 维度 | Hermes Agent | OpenClaw |
|---|---|---|
| Memory 广度 | ✅ 7种 Provider 可选 | — |
| Memory 深度 | — | ✅ 开箱即用+自动化 |
| LongMemEval | Hindsight 91.4% | 暂无公开数据 |
| 知识结构 | Hindsight为知识图谱 | claim-centered 信念层 |
| 自动化程度 | 依赖 Provider 类型 | Dreaming 自动评分 |
| 适用场景 | 多Provider切换选型 | 自托管+知识管理 |
4.5 不是非此即彼
Hermes = Memory 广度：给用户更多选择，适合有能力做 Provider 选型的专业用户
OpenClaw = Memory 深度：开箱即用，自动化程度高，Wiki 结构化知识层更精密
如果你需要：
• 多 Provider 切换、benchmark 驱动选型 →
如果你对OpenClaw 使用方法有兴趣，可以参考我历史文章: 从张雪峰.skill到金谷园饺子馆.skill，给我们带来的思考 「实验」我的OpenClaw帮小*汽车做了一个线下销售店面的选址规划
我把「内容工厂」skill 开源了：让AI每天自动生产爆款文章并实现多平台发布
别再只装 OpenClaw 了：这 5 个真实场景，才是你今天就能跑起来的生产力杠杆
深度对比中国8大Claw产品横评：谁才是真正的效率之王？
用 OpenClaw 打造 AI 一人公司，实操案例分享
• 多 Provider 切换、benchmark 驱动选型 → Hermes Agent
• 自托管、知识管理优先、长期记忆质量 → OpenClaw
两者并不互斥，可以根据场景分别部署。
五、v2026.4.11~4.14 完整 Memory 更新一览
v2026.4.14：Memory/embeddings 保留非 OpenAI provider 前缀；Agents/context engine 压缩引擎拥有的 session
v2026.4.13：Memory/wiki 完整恢复——plugin、CLI、sync/query/apply 工具、structured claim/evidence fields、compiled digests、claim-health linting、contradiction clustering、staleness dashboards、freshness-weighted search 全部上线
v2026.4.12：Memory/dreaming 全新上线——完整三阶段（Light → Deep → REM）运行，新增 Dream Diary（DREAMS.md）、Promotion/doctor、Cursor checkpointing
v2026.4.11：openclaw infer ... hub 一站式推理工作流发布；媒体生成自动回退机制上线
v2026.1.11：pre-compaction memory flush——在 session 压缩前，自动将重要上下文写入 memory 文件。Memory 系统的最早雏形。
六、Dreaming + Memory Wiki 关系图
Dreaming 解决的是"把什么从短期记忆搬到长期记忆"（摄入控制）。
Memory Wiki 解决的是"长期记忆如何结构化存储和检索"（存储结构）。
Dreaming 夜间运行流程：
Light Phase：收集 daily logs + 脱敏 session transcripts
↓
Deep Phase：六维评分 → 达标则写入 MEMORY.md
↓
REM Phase：主题反思信号 → 写入 DREAMS.md（人类可读）
Memory Wiki 结构：
entities/ concepts/ syntheses/ sources/ reports
↓
Claim confidence + Contradiction clustering + Staleness dashboard
↓
Bridge mode：导入 MEMORY.md 到 Wiki
↓
memory_search corpus=all → 双层记忆搜索
七、Dreaming 机制的深层意义
在 AI 助手领域，记忆系统的实现方式通常有两种：
第一种：记录一切。 每次对话都原封不动地存下来，需要的时候全量检索。问题是：噪音太多，有效信号被稀释。
第二种：手动标注。 用户自己决定哪些信息重要，需要标记。问题是：用户根本记不住要标记什么。
OpenClaw 的 Dreaming 提出了第三种路径：让 AI 在非活跃时间自动评估哪些信息值得保留，用一套透明的权重体系替代人工判断。
这不是"AI 自己记住一切"——因为 Dreaming 默认关闭（Opt-in），且所有 promote 结果都要过阈值。
这是"AI 学会了如何聪明地忘记和记住"。
结语：你的 AI 正在变得有记忆
从1月的 pre-compaction memory flush，到4月的 Dreaming 三阶段和 Memory Wiki 结构化知识宫，OpenClaw 的 Memory 系统用三个月时间，走完了从"被动存储"到"主动管理"的进化。
如果用一句话总结这一个月更新的核心主题：
OpenClaw 4月的 Memory 升级，本质上是在解决一个问题：AI 记忆系统的质量，不取决于存了多少，而取决于记住了什么、怎么组织的、能否自我修正。
现在，它有了一个答案。
如果你觉得文章对你有所帮助，请关注就行
