Apollo Dream

像睡觉做梦一样整理记忆，把重要的留下，不重要的忘掉。

Apollo Dream - 做梦记忆机制

核心准则

AI的记忆管理应该像人类睡眠中的做梦机制：在梦中整理记忆、强化重要连接、忘却无关细节。

人类睡眠时大脑在做什么：

• 强化：把短期记忆巩固成长期记忆
• 关联：找到记忆和记忆之间的联系
• 忘却：删除不重要的细节
• 重组：把碎片化的记忆重新组织

三级做梦机制

层级	名称	类比	做什么
1	Microcompact	浅睡呼吸	快速删token，不动结构
2	Session Memory	REM睡眠整理	基于会话记忆压缩，保留结构
3	Traditional Compact	深度睡眠重组	完整摘要，建立记忆关联

触发时机

应该触发做梦的场景：

• 对话超过20轮
• Token使用超过70%
• 任务完成时
• 发现多个记忆点需要关联时
• AI开始表现迟钝/重复

做梦的操作

✅ 能实现的

text

1. 提炼关键结论 → 写到文件
2. 删除中间过程 → 只保留首尾状态
3. 保留重要上下文 → 关键决策、用户偏好
4. 跨会话关联 → 发现新旧记忆的联系
5. 忘却噪音 → 删除不重要的细节

❌ 待实现的（未来工作）

text

1. 自动发现记忆关联
   - 需要：跨会话知识图谱
   - 状态：待设计

2. 主动忘却机制
   - 需要：重要性评分系统
   - 状态：待设计

3. 记忆可视化
   - 需要：定期输出记忆地图
   - 状态：待设计

人类睡眠vs AI做梦

人类睡眠	AI做梦
短期记忆→长期记忆	对话→文件
记忆关联	知识图谱
忘却不重要的事	丢弃token
REM整理	分层压缩

任务完成后的做梦流程

text

任务完成 →
  1. 提炼核心结论（what was done, key decisions）
  2. 提取重要发现（insights worth remembering）
  3. 记录未解决问题（for follow-up）
  4. 检查是否有记忆关联（与旧记忆的联系）
  5. 忘却噪音（不重要细节删除）
  6. 写入适当文件（memory/YYYY-MM-DD.md 或专题文件）
  7. 清理对话上下文

应用检查表

• 当前对话轮数是否超过20轮？
• Token使用是否超过70%？
• 当前任务是否已有明确结论可以提炼？
• 是否有应该写入文件的长期知识？
• 新记忆是否与旧记忆有关联？

待实现功能（TODO）

功能	描述	优先级
记忆关联发现	自动发现新旧记忆之间的联系	高
重要性评分	给每条记忆打分，决定保留/忘却	中
主动忘却	不重要的记忆自动降级/删除	中
记忆可视化	输出记忆地图供人类阅读	低

参考

来源：Claude Code 上下文管理机制 + 人类睡眠记忆研究，512,000行源码研究

---

v2.0 实施规格（2026-04-07）

v2新功能

1. Token精度算法：使用字符/词/标点综合估算（scripts/token-estimator.py）
2. 信息密度检测：识别高价值/低价值内容（scripts/density-detector.py）
3. 三层压缩：Microcompact/Session Memory/Deep Compact（scripts/compressor.py）
4. 7天快照：自动创建/清理记忆快照（scripts/snapshot.py）
5. 决策追踪：识别并记录关键决策（scripts/decision-tracker.py）

v1 实施规格（2026-04-06）

以下是 v1 最小可运行版本的实现规格。

触发指标（v1）

指标	定义	阈值	检测方式
工作记忆积压	有 next_step 但 stale>=3轮 的任务数	≥ 3	task-state.sh
未闭合话题	status=active/pending 的话题数	≥ 3	topic-tracker.sh
决策滞留率	有决策点但≥2轮未决策的任务数	≥ 2	task-state.sh
Token使用率	当前会话token估算	> 70000	对话历史文件大小

触发规则：

• 软触发：任一 backlog/unclosed/decision_latency 超过阈值
• 硬触发：Token > 70000（不可绕过）

独立裁判机制

心跳cron每次触发时，自动运行碎片化检测脚本：

text

heartbeat-logger.sh → 调用 dream-fragmentation-check.sh

检测结果写入：

• /tmp/.dream-trigger — 存在则主AI必须整理
• /tmp/heartbeat-realtime.json — 含 dream_trigger 字段

任务状态管理（主AI调用）

bash

# 注册任务（开始时）
dream/task-state.sh register <id> <goal> <next_step>

# 推进了一步（重置stale轮次）
dream/task-state.sh update <id> --advance

# 已做决策
dream/task-state.sh update <id> --decide

# 完成任务（移除）
dream/task-state.sh close <id>

# 所有任务stale轮次+1（每次心跳后）
dream/task-state.sh stale

# 列出所有任务
dream/task-state.sh list

话题追踪（主AI调用）

bash

# 标记新话题开始
dream/topic-tracker.sh mark <topic_name>

# 切换话题（自动pause旧话题）
dream/topic-tracker.sh switch <new_topic>

# 标记当前话题完成
dream/topic-tracker.sh done

# 标记当前话题暂停
dream/topic-tracker.sh pause

# 列出所有话题
dream/topic-tracker.sh list

v1 整理流程

当 /tmp/.dream-trigger 存在时，主AI必须执行以下整理流程：

text

Step 1: 全量扫描（只读）
  → 读取 task-state + topic-state + 对话历史
  → 识别：决策、任务、偏好、未闭合回路

Step 2: 结构化抽取
  → 输出：任务列表、决策日志、实体表

Step 3: 冲突检测 + 去重
  → 发现：自相矛盾、重复定义、版本漂移

Step 4: 写入长期记忆
  → memory/YYYY-MM-DD.md
  → 相关专题文件

Step 5: 状态决策（关键步骤）
  → 逐个任务判断：
    - 推进（advance）：更新 next_step，重置 stale=0
    - 关闭（close）：放弃或已完成，移出任务列表
    - 保持（keep）：无法推进但不能关闭，stale 归零但保留
  → 逐个话题判断：
    - 完成（done）：话题结束，移出未闭合列表
    - 暂停（pause）：保持暂停状态
    - 激活（activate）：继续深入讨论
  → 调用 task-state.sh / topic-tracker.sh 执行状态变更

Step 6: 上下文压缩替换
  → 丢弃：过程噪音
  → 保留：结论 + 任务状态快照 + 索引

Step 7: 清理trigger
  → rm /tmp/.dream-trigger
  → 通知主AI整理完成

v1 不做的事（v2+）

text

❌ 冲突检测 + 去重（v2）
❌ 跨会话关联（v2）
❌ 情绪处理（长期）
❌ 加权多维指标体系（v2+）
❌ 自动发现记忆关联（v2+）
❌ 整理后自动状态决策（v2）— 端到端测试发现缺失

实施文件清单

文件	作用
scripts/dream/dream-fragmentation-check.sh	碎片化检测主脚本
scripts/dream/task-state.sh	任务状态管理
scripts/dream/topic-tracker.sh	话题追踪
scripts/heartbeat-logger.sh	集成到心跳
.dream/task-state.json	任务状态存储
.dream/topic-state.json	话题状态存储
.dream/metrics.json	最近检测指标
/tmp/.dream-trigger	触发标志文件