AutoDream：沉睡的大脑

「每天夜里，当 Agent 进入「睡眠」，它的记忆正在被悄悄整理、晋升和精简——就像人类大脑在 REM 睡眠中所做的事情。」

设计理念

人类的记忆巩固分两个阶段：潜意识在白天持续处理和编码经历，深度睡眠则将重要的内容重组并提升为长期存储。

AutoDream 管道正是对这一机制的镜像设计：

Auto Digest = 潜意识处理 — 在白天持续运行，悄悄吸收每一次对话
Auto Dream = 深度睡眠 — 每晚运行一次（UTC 02:00），完成繁重的认知工作：反思一周规律、晋升老化的短期记忆、清理长期记忆中的冗余

两个阶段均无需人工干预。Agent 第二天醒来时，拥有更丰富、更有条理的记忆。

第一阶段：Auto Digest（潜意识）

auto_digest.py --today 每 15 分钟运行一次。它读取日记文件（memory/YYYY-MM-DD.md）自上次运行以来的新增内容，交给 mem0 做事实提取。

具体做了什么：

对每个新日记块，auto_digest 并行执行两轮提取 Pass：

Pass	提示词	输出	目的
Pass ①	mem0 默认提示词	`category=short_term`	通用事实、上下文、项目状态
Pass ②	任务专项 `custom_extraction_prompt`	`category=task`	仅提取已完成的工作成果，格式为 `[类型] 描述`

Pass ② 存在的原因：通用事实提取容易产生混杂、粒度不一的条目。专项任务 Pass 提取出干净、可操作的记录，例如：

[开发] 完成 Step 3 候选对处理，找到12个候选对（dev agent）
[分析] 分析 auto_dream_reflect 写入数为0的原因（记忆重复问题）
[配置] 将当前会话关键记忆写入 memory/2026-04-17.md 日记文件

这些条目打上 category=task 标签，可以通过精确召回查询「最近完成的任务」直接定位——无需在散乱的事实里筛选。

关键设计：通过 run_id 限定去重范围

auto_digest 写入的每条记忆都携带 run_id = YYYY-MM-DD（今天的日期）。mem0 处理 infer=True 写入时，去重范围仅限于同一 run_id 内。这意味着：

每 15 分钟写入是安全的——同天条目会互相合并，但绝不会静默覆盖长期记忆
今天的短期条目在自己的隔离命名空间中累积，直到 Auto Dream 决定保留什么

每 15 分钟：
  日记新增内容
    ├─ Pass ①  → mem0 短期记忆  (run_id=今天, category=short_term)
    └─ Pass ②  → mem0 短期记忆  (run_id=今天, category=task)

第二阶段：Auto Dream（深度睡眠）

auto_dream.py 每晚 UTC 02:00 运行一次，依次执行三个步骤。

Step 1：跨日反思

Auto Dream 读取每个 Agent 近 7 天的日记文件，拼接成单一文本语料，配合专门设计的 REFLECTION_PROMPT 提交给 mem0。

这个提示词与 Auto Digest 的通用提取有本质区别——它明确指示 LLM 忽略单次事件，专注于跨越多天、反复出现的规律：

「是同类错误在多天中出现 2 次以上？Agent 自身失误模式？被 Boss 纠正的行为规律？反复出现的绕路模式？」

四个反思维度：

维度	捕捉内容
反复出现的错误	同类问题跨不同天出现 2 次以上
Agent 自身失误模式	判断错误、跳过确认步骤、自作主张导致返工
被用户纠正的行为规律	用户明确异议或纠正的操作方式，出现多次
耗时/绕路模式	反复出现走弯路、回退操作的任务类型

输出结果——跨日、具有规律性的洞察——直接写入长期记忆（无 run_id）。这是刻意的设计：单次事件停留在短期；只有经历多天考验的规律，才通过反思晋升为长期记忆。

7天日记语料
    │
    ▼  REFLECTION_PROMPT（仅提取跨日规律）
    ▼  mem0 infer=True
    │
    ▼  长期记忆（无 run_id）
       metadata: source=auto_dream_reflect, reflect_range=YYYY-MM-DD~YYYY-MM-DD

Step 2：短期记忆 → 长期记忆晋升

Auto Dream 以精确 7 天前的 run_id 为目标，对那批短期记忆逐条处理：

以 infer=True 重新提交记忆文本给 mem0，不携带 run_id
mem0 搜索全量长期记忆库，作出决策：ADD、UPDATE、DELETE 或 NONE
原始短期条目无论决策结果如何，均被删除

这是整个记忆历史中唯一一次全局去重的时机。去掉 run_id 意味着去重范围从「同一天」扩展到「全部历史」——mem0 现在可以判断这条记忆是否已在长期库中有所记录，并决定合并、更新或丢弃。

7天前的短期记忆
    │
    ▼  重新提交给 mem0（infer=True，无 run_id）
    ▼  mem0 全局去重：ADD / UPDATE / DELETE / NONE
    │
    ├─ ADD     → 创建新的长期记忆条目
    ├─ UPDATE  → 更新已有长期记忆条目
    ├─ DELETE  → 与已有知识冲突，丢弃
    └─ NONE    → 已被捕获，静默丢弃
    （原始短期条目在所有情况下均被删除）

为什么是 7 天？

7 天足够让一条短期记忆被反思覆盖（Step 1 读取过去 7 天日记）。到 Step 2 处理某个 run_id 时，Step 1 已经有多次机会从那段时间的日记中提取跨日规律。进入 Step 2 的，是没有被规律吸收的原始短期层——那些需要做最终决策的个别事实：保留、合并还是丢弃。

Step 3：长期记忆整合

即使经过干净的晋升，随着数周数月不断新增条目，长期记忆中仍会积累语义上的冗余。Step 3 执行周期性清理。

运作方式：

加载该 Agent 的全量长期记忆
使用轮转 offset 选取当前批次（每次 50 条）
对批次中每条记忆，执行向量相似度搜索
发现近似重复对（score > 0.85）时，将两条文本合并提交给 mem0（infer=True）
若 mem0 产生 ADD 或 UPDATE 事件 → 删除两条原始记忆，保留合并后的条目
若 mem0 返回 NONE → 该对实际上并不冗余，保持不变
保存更新后的 offset 供下次运行使用

轮转机制确保所有长期记忆都能被定期审查，同时避免单次运行时间过长。

为什么这样设计

设计目标	AutoDream 如何实现
白天写入低风险	`auto_digest` 使用 `run_id` 作用域隔离——从不触碰长期记忆
长期记忆保持紧凑	全局去重仅在 Auto Dream 时发生，而非每次写入
规律比个别事件更持久	`REFLECTION_PROMPT` 明确过滤掉单次发生的事实
无需人工整理	mem0 自身的 LLM 决定 ADD/UPDATE/DELETE/NONE，Agent 不写去重逻辑
记忆不会无限增长	Step 2 晋升后删除原始条目；Step 3 整合冗余对
不同阶段不同提取粒度	潜意识（Auto Digest）= 快速 + 广泛；深度睡眠（Auto Dream）= 缓慢 + 有选择

最终结果：Agent 像人一样积累知识——日常经历持续流入，反复出现的规律结晶为长期记忆，冗余事实在沉睡中悄然清除。

真实示例

以下是这套系统在实际部署中，一条知识经历完整管道的真实追踪。

Day T：工作发生

2026-04-17，dev agent 正在处理 auto_dream.py Step 3 整合逻辑。期间，openclaw-plugin 的 agent_end hook 实时将对话写入 memory/2026-04-17.md。

15 分钟内，auto_digest --today 对新增日记内容执行了两轮 Pass。

Pass ① 产出（通用事实）：

- Python developer (based on code snippets)
- The project involves server.py and Memory.from_config()
- Using reflect_week function for memory reflection

Pass ② 产出（任务提取）：

[开发] 完成 Step 3 候选对处理，找到12个候选对（dev agent）
[分析] 分析 auto_dream_reflect 写入数为0的原因（记忆重复问题）
[分析] 验证 reflect_week 逻辑工作正常，7天日记合并读取成功
[开发] blog agent 完成7天日记反射，生成88,923字符记忆

两组条目均以 run_id=2026-04-17 存入短期记忆，可立即查询——工作发生后 20 分钟内，同一 Agent 的另一个 session 就能搜到：

json

{
  "memory": "[开发] 完成 Step 3 候选对处理，找到12个候选对（dev agent）",
  "memory_type": "short_term",
  "run_id": "2026-04-17",
  "metadata": { "source": "auto_digest_task", "category": "task" }
}

当晚：Auto Dream 运行

UTC 02:00，auto_dream.py 执行 Step 1：读取 7 天日记语料（2026-04-11 至 2026-04-17），配合 REFLECTION_PROMPT 提交。LLM 识别出一个跨日规律——dev agent 在多个 session 中反复分析和调试 Auto Dream 内部逻辑——并将这一观察直接写入长期记忆（无 run_id）：

json

{
  "memory": "Agent 在多天内反复分析和调试 auto_dream 管道内部逻辑——反映出对记忆系统可靠性和正确性的持续关注",
  "memory_type": "long_term",
  "metadata": { "source": "auto_dream_reflect", "reflect_range": "2026-04-11~2026-04-17" }
}

Step 3（整合）同晚运行，发现若干关于 mem0-memory-service 项目状态的长期条目语义近似重复。9 对被整合为更简洁的合并条目，标记 source=auto_dream_consolidation：

json

{
  "memory": "mem0-memory-service 正在活跃开发中；dev agent 是主要贡献者，专注于管道可靠性、embedding 模型切换和记忆整合功能",
  "metadata": { "source": "auto_dream_consolidation" }
}

Day T+7：晋升发生

2026-04-24，Auto Dream Step 2 以 run_id=2026-04-17 为目标。每条短期条目不携带 run_id 重新提交给 mem0，mem0 搜索全量长期历史并作出决策：

短期条目	mem0 决策	原因
`[开发] 完成 Step 3 候选对处理，找到12个候选对`	`ADD` → 长期记忆	长期库中无对应条目
`Using reflect_week function for memory reflection`	`NONE`	已被 Step 1 反思条目覆盖
`Python developer (based on code snippets)`	`UPDATE`	合并入已有「dev agent 技术栈」记忆

原始短期条目全部删除。重要的知识——任务完成记录、技术规律——在长期库中留存；通用或冗余的条目被静默丢弃。

结果

原本的原始对话片段，演变为：

15 分钟内 → 结构化任务记录，可按 category 精确查询
当晚 → 反复出现的规律结晶为长期洞察
7 天后 → 个别事实晋升，冗余条目丢弃，长期记忆库保持紧凑

全程无需任何人工整理。这就是 AutoDream 的设计初衷：不只是归档过去，而是提炼它。

时序总结

时间	脚本	发生了什么
实时	openclaw-plugin `agent_end` hook	对话 → 日记文件
每 15 分钟	`auto_digest.py --today`	日记 → 短期记忆（Pass ①：通用事实 + Pass ②：任务提取）
UTC 02:00	`auto_dream.py` Step 1	7天日记语料 → 长期记忆（跨日反思，`REFLECTION_PROMPT`）
UTC 02:00	`auto_dream.py` Step 2	7天前短期记忆 → 重新提交至长期（全局去重）→ 删除原始条目
UTC 02:00	`auto_dream.py` Step 3	长期记忆整合：轮转批次扫描 → 合并近似重复对

AutoDream：沉睡的大脑 ​

设计理念 ​

第一阶段：Auto Digest（潜意识） ​

第二阶段：Auto Dream（深度睡眠） ​

Step 1：跨日反思 ​

Step 2：短期记忆 → 长期记忆晋升 ​

Step 3：长期记忆整合 ​

为什么这样设计 ​

真实示例 ​

Day T：工作发生 ​

当晚：Auto Dream 运行 ​

Day T+7：晋升发生 ​

结果 ​

时序总结 ​

AutoDream：沉睡的大脑

设计理念

第一阶段：Auto Digest（潜意识）

第二阶段：Auto Dream（深度睡眠）

Step 1：跨日反思

Step 2：短期记忆 → 长期记忆晋升

Step 3：长期记忆整合

为什么这样设计

真实示例

Day T：工作发生

当晚：Auto Dream 运行

Day T+7：晋升发生

结果

时序总结