记忆系统的 Dreaming 背景整合模式

记忆系统的 Dreaming 背景整合模式

概述

Dreaming（梦境整合）是一种受人类记忆巩固机制启发的 AI 记忆管理模式。类似于人类在睡眠期间通过海马体重播将短期记忆转化为长期记忆，AI Agent 通过后台 LLM 驱动的进程将短期交互记录整合为结构化的长期记忆文件。

核心原理

三种 Dreaming 模式

系统支持三种不同深度和频率的 Dreaming 模式，形成一个分层的记忆整合策略：

模式	频率	思考级别	预算	回溯窗口	处理上限	去重阈值
Light Dreaming	每 6 小时	低	低成本	2 天	100 项	0.9 相似度
Deep Dreaming	每日 3AM	高	中等成本	14 天（半衰期）	—	0.8 最小分数
REM Dreaming	每周日 5AM	高	高成本	7 天	—	0.75 模式强度

Light Dreaming（浅层梦境）

• Cron：0 */6 * * *（每 6 小时）
• 目标：快速清理近期的短期记忆，防止记忆堆积
• 特点：低思考级别、低预算、快速执行
• 数据源：daily、sessions、recall
• 去重：在 0.9 相似度阈值下合并重复项

Deep Dreaming（深层梦境）

• Cron：0 3 * * *（每日凌晨 3 点）
• 目标：深度分析记忆模式，提取有意义的关联
• 特点：高思考级别、中等预算、较长时间
• 数据源：daily、memory、sessions、logs、recall
• 最小分数：0.8
• 记忆半衰期：14 天（越近的记忆权重越高）
• 最大年龄：30 天

REM Dreaming（快速眼动梦境）

• Cron：0 5 * * 0（每周日凌晨 5 点）
• 目标：最高级别的模式识别和记忆整合
• 特点：高思考级别、高预算、最长执行时间
• 数据源：memory、daily、deep
• 最小模式强度：0.75

存储模式

Dreaming 结果支持三种存储方式：

模式	描述
Inline	直接写入记忆文件，更新现有条目
Separate	创建独立的报告文件，不修改原始记忆
Both	同时使用 Inline 和 Separate

恢复子系统

Deep Dreaming 包含一个记忆健康恢复机制：

• 健康阈值：0.35（低于此值触发恢复）
• 扫描范围：回溯 30 天
• 置信度阈值：0.9
• 触发条件：当记忆健康度评分下降到阈值以下

恢复机制确保在记忆质量下降时自动进行深度修复，防止记忆系统退化。

事件日志

Dreaming 过程通过 JSONL 日志记录关键事件：

{"event": "memory.recall.recorded", "timestamp": "...", "data": {...}}
{"event": "memory.promotion.applied", "timestamp": "...", "data": {...}}
{"event": "memory.dream.completed", "timestamp": "...", "data": {...}}

日志路径：memory/.dreams/events.jsonl

与人类记忆巩固的类比

AI Dreaming	人类睡眠阶段	功能
Light Dreaming	NREM Stage 1-2	轻度记忆清理和巩固
Deep Dreaming	Slow Wave Sleep (SWS)	深度记忆重播和转移
REM Dreaming	REM Sleep	模式识别、创造性整合

设计权衡

为什么使用定时 Cron 而非事件驱动？

方案	优点	缺点
定时 Cron	可预测、资源可控、避免峰值冲突	可能不够及时
事件驱动	即时响应	可能频繁触发、资源消耗不可控

三种模式的必要性

单一 Dreaming 模式无法平衡以下需求：

• 及时性：需要快速清理近期堆积（Light）
• 深度：需要时间分析长期模式（Deep）
• 创造性：需要更自由的关联和整合（REM）

参考来源

• Memory Consolidation in Sleep, Rasch & Born, 2013
• 人类记忆巩固模型：海马体-新皮层重播理论