【实战指南】OpenClaw「梦境」功能完全指南:让 AI 越用越懂你

未来已来，只需一句指令，养龙虾专栏导航，持续更新ing…

本文适配2026.4.11+版本

想象一下：你的 AI 助手就像一位朋友，刚认识时彼此陌生，但随着时间推移，他逐渐记住了你的喜好、习惯和重要细节——这正是「梦境」功能的魔力所在。

一、为什么需要「梦境」功能？

1.1 AI 的「健忘症」困境

传统 AI 助手面临一个根本性问题：会话结束后，所有上下文烟消云散。这导致两种极端情况：

梦境（Dreaming） 正是为解决这一痛点而生——它不是简单的存储扩容，而是模拟人类睡眠记忆巩固机制的智能筛选系统。

💡 注：就像人类通过睡眠整理白天学到的知识，重要的记忆被强化，琐碎的细节被过滤，AI 也需要这样一个"休息整理"的过程。

二、梦境的核心原理：三阶段睡眠周期

OpenClaw 的梦境系统借鉴了神经科学的睡眠理论，将记忆整理分为三个严格顺序执行的阶段：

2.1 阶段详解

关键机制：只有深睡阶段会实际修改长期记忆。前两个阶段仅生成"强化信号"，用于提升候选条目在深睡阶段的评分权重。

2.2 六维评分算法

深睡阶段采用证据驱动的加权评分模型决定记忆去留：

评分计算流程：

晋升门槛：候选需同时满足三个硬阈值：

• minScore ≥ 0.8
  （默认，可调整）
• minRecallCount ≥ 3
   次
• minUniqueQueries ≥ 3
   个不同查询上下文

⚠️ 重要说明 minScore 可在 0.6~0.85 之间调整，但官方文档明确指出这些阈值是内部实现细节，不暴露为用户配置项。如需调整，只能通过 CLI 命令的命令行参数临时覆盖。

三、开启梦境：配置与命令

3.1 重要修正：默认关闭，需显式开启

实际情况：梦境是实验性功能，默认禁用（enabled: false），必须手动启用。

3.2 三种开启方式

方式一：配置文件（推荐用于生产环境）

在 openclaw.json 中添加：

{  "memory": {    "dreaming": {      "enabled": true,      "frequency": "0 3 * * *",      "timezone": "Asia/Shanghai"    }  }}

关键参数说明：

⚠️ 注意： mode（如 core/rem/deep）不是配置项，phase policy 是内部实现细节，不暴露为用户配置。

方式二：聊天命令（适合快速体验）

⚠️ 注意：梦境没有"模式"概念，三个阶段是自动顺序执行的内部流程。

方式三：CLI 工具（适合脚本化与预览）

# 🔍 预览哪些候选会被晋升（干运行，不实际写入）openclaw memory promote# ⚠️ 实际应用晋升（谨慎使用）openclaw memory promote --apply# 🔧 限制数量 + 设置临时阈值openclaw memory promote --limit 10 --min-score 0.75# 🧠 解释特定查询的晋升逻辑openclaw memory promote-explain "部署工作流"# 📊 查看详细状态openclaw memory status --deep# 🌙 预览 REM 反思（不写入任何内容）openclaw memory rem-harness# 📋 预览 REM 反思 + JSON 输出openclaw memory rem-harness --json

四、输出产物：梦境日记与长期记忆

4.1 DREAMS.md（人类可读的梦境日记）

每次梦境周期结束后，系统自动生成叙事性总结，例如：

## 🌙 Dream Diary — 2026-04-12 03:00 UTC### 周期概览- 扫描信号：47 条短期记忆- REM 洞察：识别出 3 个重复主题（API 设计、性能优化、团队扩展）- 晋升记忆：5 条进入 MEMORY.md### 关键发现"你近期频繁讨论 GraphQL 与 REST 的权衡，特别是在微服务边界场景下。 这看起来是一个持续的技术决策过程，已记录相关偏好。"### 晋升条目摘要1. [技术偏好] 倾向 GraphQL 用于 BFF 层，REST 用于服务间通信2. [项目背景] Q2 重点：支付网关重构（提及 5 次，跨 3 个会话）3. [团队信息] 后端团队计划扩展至 8 人（来自 4 月 10 日对话）

设计意图：DREAMS.md 纯粹是透明度工具，供用户审查 AI 的"思考过程"，不参与实际推理。

历史回放（backfill）功能：

# 预览历史文档的 REM 分析结果memory rem-harness --path <file-or-dir> --grounded# 将历史分析写入 DREAMS.md（可逆）memory rem-backfill --path <file-or-dir># 将历史分析暂存到短期记忆池memory rem-backfill --path <file-or-dir> --stage-short-term# 回滚已写入的 REM 分析memory rem-backfill --rollback

4.2 阶段报告文件

除了 DREAMS.md，系统还会在 memory/dreaming/<phase>/YYYY-MM-DD.md 生成每个阶段的详细报告：

4.3 MEMORY.md（机器可用的长期记忆）

晋升后的记忆以结构化格式追加，供后续会话加载：

- **用户技术栈偏好** [晋升分数：0.82, 首次：2026-04-08, 最后：2026-04-12]  - 前端：React + TypeScript，偏好函数组件与 Hooks  - 后端：Node.js/NestJS，考虑迁移至 Go 微服务  - 数据库：PostgreSQL 主库，Redis 缓存层，评估 TiDB 分片方案

五、实操指南：调优与排错

5.1 判断晋升是否过度/不足

5.2 预览与调试流程

推荐的安全测试流程：

Gateway Dreams UI 功能：

• 显示当前启用状态
• 展示各阶段计数和受管 Cron 任务
• 显示短期、已扎根、信号、今日晋升数量
• 显示下次计划运行时间
• 可展开的梦境日记阅读器

5.3 与手动记忆管理的对比

适合启用梦境的场景：

• ✅ 无专职人员维护记忆文件
• ✅ 会话频率高，手动整理成本大
• ✅ 需要"渐进式了解用户"的伴侣型 Agent

建议禁用梦境的场景：

• ❌ 已有严格的手动记忆审核流程
• ❌ 对记忆准确性要求极高（如医疗、法律）
• ❌ 需要区分战略决策与战术细节（当前评分模型无法区分）

替代方案：混合模式——启用梦境但延长运行频率（如 0 0 * * 0 每周一次），仅捕获最强信号，人工审核后手动写入 MEMORY.md。

六、架构定位：梦境 vs 其他记忆系统

核心差异：梦境是整合机制而非存储层，它运行在现有架构之上，解决"什么值得记住"的筛选问题。

七、总结与最佳实践

7.1 核心要点回顾

7.2 快速检查清单

•  已备份现有 MEMORY.md（cp MEMORY.md MEMORY.md.backup）
•  已在配置中设置 enabled: true
•  已运行 openclaw memory status --deep 确认状态正常
•  已查看 openclaw doctor memory 确认 Cron 任务已注册
•  已运行一次 openclaw memory promote 预览效果
•  已检查 DREAMS.md 输出是否符合预期

📌 最后提醒：梦境系统是一个需要耐心调优的功能。建议从小规模测试开始，逐步调整至最适合你工作流的配置。记住，最好的 AI 记忆管理是让你感觉不到它的存在，却能在关键时刻提供恰到好处的上下文支持。