Lobster Autodream

AI记忆巩固系统，灵感来自人类睡眠记忆巩固过程。自动整理会话历史，提取重要信息，更新长期记忆。在心跳检查或会话压缩时触发。

AutoDream 记忆巩固系统

基于 Claude Code 源码中的 AutoDream 系统，适配 OpenClaw 的记忆管理架构。

灵感来自人类睡眠时的记忆巩固——大脑在睡眠中整理白天的记忆，把重要的存入长期记忆，不重要的被遗忘。

核心思想

AI 的"做梦"过程：定期整理对话历史 → 提取关键信息 → 更新长期记忆

三重门控机制

为了节省 token，按成本从低到高逐层检查：

门控1：时间检查（零成本）

• 距离上次 AutoDream 是否超过阈值？
• 默认：至少间隔 4 小时
• 防止频繁整理浪费资源

门控2：内容量检查（低成本）

• 新增的对话内容是否足够多？
• 默认：至少 20 条新消息
• 内容太少不值得整理

门控3：质量评估（中成本）

• 内容中是否包含值得记住的信息？
• 排除纯闲聊、重复内容
• 识别：决策、偏好、教训、重要事实

三重门控全部通过才触发整理。

记忆整理流程

Step 1: 读取原始材料

text

读取当天的 memory/YYYY-MM-DD.md

Step 2: 信息提取

参考 Claude Code 的四种记忆类型分类：

类型	范围	示例	写到哪里
👤 user	始终private	用户角色、偏好、知识水平	MEMORY.md#关于麻团
💬 feedback	默认private	用户纠正/确认的做法	MEMORY.md#经验教训
📋 project	偏向team	项目状态、目标、进行中的工作	memory/YYYY-MM-DD.md
📖 reference	private或team	技术参考、架构知识、API文档	memory/*.md

关键规则：

• 从代码/git/file可推导的信息不要存为记忆（读文件就行）
• feedback要包含为什么（reason），不只是规则本身
• 相对日期转为绝对日期（"下周四"→"2026-04-09"）
• 确认类反馈也要记录（不只是纠正）

Step 3: 分类整合

• 按主题分类
• 去重（与 MEMORY.md 现有内容对比）
• 标记优先级（重要/一般/可选）

Step 4: 写入长期记忆

更新 MEMORY.md，新内容追加到对应分类下。

Step 5: 清理

• 过时的信息标记或删除
• 临时笔记归档或清理

触发时机

1. 心跳检查时 — 如果门控通过，执行整理
2. 会话压缩时 — 压缩前先整理记忆
3. 用户主动触发 — "整理记忆"、"autodream"

记忆质量标准

写入 MEMORY.md 的每条记忆应：

• 简洁：一句话说清楚
• 可检索：包含关键关键词
• 有时效性标注：过期时间（如适用）
• 有来源：来自哪次对话

实践示例

text

# 心跳触发 AutoDream

## 门控检查
- ✅ 距上次整理：6小时（> 4小时阈值）
- ✅ 新消息数：35条（> 20条阈值）
- ✅ 包含决策和偏好

## 提取结果
- 🎯 麻团决定不装 Ollama
- 👤 麻团是行动派，喜欢快速推进
- 📚 已安装 web-learner 和 cli-anything 两个 skill
- 🔑 配置了 imageModel: zai/glm-4.6v

## 写入 MEMORY.md
（追加到对应分类）

配置

在 HEARTBEAT.md 中添加：

markdown

## AutoDream
- 检查是否需要整理记忆
- 参照 skills/autodream/SKILL.md

注意事项

• 不要在每次会话都触发，尊重时间门控
• 整理时不要删除重要记忆
• 隐私信息不写入 MEMORY.md
• 保持 MEMORY.md 精简，不超过 200 行
• 如果 MEMORY.md 太长，优先清理过时内容