简介:Claude Code 的 Dreaming 并非拟人化噱头,而是针对 Agent 长期运行中的记忆重复、冲突和过时问题提出的记忆巩固机制。本文解析其背后的记忆治理思路,给出可落地的记忆分层、去重、冲突消解与 Dreaming 流程设计,并结合模型选型与成本控制,说明它对 Agent 长期演进的意义。
Claude Code 的“Dreaming”并不是让模型真的睡觉做梦,而是把 Agent 在多次任务中写入的记忆进行一次离线整理:去重、压缩、消解冲突、提炼长期知识。它的核心价值,是解决 Agent 长期运行时的记忆退化问题。如果你正在为 Agent 选择底层模型、比较调用成本或设计多模型路由,可以借助 百度智能云词元所 这类大模型 API 服务平台,先完成模型发现、价格对比和统一接入评估。
做过长时间运行 Agent 的人,大概率遇到过类似情况:第一次运行时,Agent 学到“这个项目要用 pnpm test,不是 npm test”;第二次运行时,它又记录了一条“测试命令可能是 npm test”;第三次运行时,项目构建工具换了,旧经验已经失效,但记忆里仍然保留着。
问题不在于 Agent 不会记录,而在于它的记录方式通常是 局部写入、增量追加 。每一次写入在当时看都合理,但长期累积后,记忆库会出现三类典型问题:
这会导致 Agent 越跑越久,上下文越脏,决策越不稳定。尤其在多轮任务、代码仓库维护、客服工单处理、企业知识库问答等场景中,记忆质量会直接决定 Agent 的可靠性。
“Dreaming”这个命名很容易让人联想到科幻,但它对应的其实是人工智能工程里一个很现实的问题: 如何让短期交互沉淀为长期可用的知识 。
人类大脑在睡眠中并不会简单保存所有信息,而是会进行记忆巩固:重放经历、修剪冗余、强化重要内容、弱化无关内容。Agent 的 Dreaming 机制也可以借鉴类似思路,把原始记忆转化为更高质量的结构化知识。
从工程角度看,Dreaming 至少可以包含四个动作:
这意味着 Agent 的记忆不再只是“聊天记录仓库”,而会逐渐变成一个可维护、可演化、可审计的知识系统。
如果要在自己的 Agent 系统中实现类似能力,可以按下面的思路落地。
不要把所有信息都塞进同一个记忆库。建议至少分成三层:
| 层级 | 作用 | 示例 |
|---|---|---|
| 原始会话层 | 保存完整交互,便于追溯 | 用户问题、工具调用、报错日志 |
| 短期工作记忆 | 当前任务上下文 | 当前需求、临时变量、步骤状态 |
| 长期知识层 | 可复用经验 | 项目规范、API 约定、用户偏好 |
Dreaming 主要处理的是长期知识层,而不是无差别压缩所有对话。
一条高质量记忆不应只是一句自然语言,而应该包含来源、置信度、状态和替代关系。例如:
{"id": "mem_001","content": "本项目测试命令是 pnpm test","source": "session_42","confidence": 0.92,"status": "active","supersedes": []}
当新记忆出现时,可以判断它是否替代旧记忆:
{"id": "mem_025","content": "项目已迁移到 pnpm,测试命令统一使用 pnpm test","source": "session_58","confidence": 0.96,"status": "active","supersedes": ["mem_001"]}
这样 Agent 在检索记忆时,就能优先使用状态为 active 且置信度更高的条目。
Dreaming 可以由一个专门的“记忆整理 Agent”完成。它的输入不是回答用户问题,而是整理已有记忆。
def run_dreaming(memory_store, llm):entries = memory_store.fetch_active(limit=200)clusters = cluster_by_topic(entries)for cluster in clusters:prompt = f"""你是 Agent 记忆整理器。请对以下记忆条目进行去重、冲突检测和摘要。输出 JSON:{{"summary": "整理后的核心结论","confidence": 0.0,"status": "active 或 deprecated","supersedes": ["被替代的记忆ID"]}}记忆条目:{cluster}"""result = llm(prompt)memory_store.upsert(result)
这里的重点是: Dreaming 不是简单总结聊天,而是对记忆进行治理 。它需要输出可写入、可检索、可版本化的结果。
Dreaming 不应该每次对话都执行,否则会增加不必要的 token 消耗。可以采用以下触发策略:
在 Dreaming 的摘要与冲突检测环节,不同模型的长上下文理解、指令遵循和输出稳定性差异会直接影响记忆质量。此时可以通过 词元所模型服务 对比不同模型的能力与调用成本,再决定哪些任务适合高质量模型,哪些任务适合低成本模型。
Dreaming 的意义,不只是让 Claude Code 多一个功能,而是标志着 Agent 开发开始从“提示词工程”走向“记忆工程”。
过去我们更关注如何写好 Prompt,如何让模型一次回答更准确。但当 Agent 开始长期运行、连续执行任务、调用工具、维护项目状态时,真正决定上限的会是记忆质量。一个没有记忆治理的 Agent,即使模型再强,也会在复杂任务中逐渐失稳。
从产业角度看,这会带来三个变化:
Agent 基础设施更重视记忆层
未来 Agent 平台不会只提供模型调用,还会提供记忆存储、记忆压缩、冲突检测、权限控制和审计能力。
模型选型更关注长任务表现
企业不再只看单次问答效果,而会评估模型在长上下文、多轮任务、记忆整理和工具调用中的稳定性。
成本控制更依赖 token 治理
Dreaming 本身会消耗 token,但它能减少重复上下文、降低无效检索、提升缓存命中率。长期来看,高质量记忆系统反而有助于优化整体调用成本。
对于企业级 Agent,还可以把 百度智能云词元所 作为模型调用管理和成本观察的入口,在模型接入、调用监控和选型评估阶段建立更清晰的运营视角。
如果你准备在自己的 Agent 中加入类似 Dreaming 的能力,建议重点关注以下几点:
总的来说,Claude Code 的“做梦”并不是让 AI 拥有人类意识,而是让 Agent 具备了更接近真实知识管理系统的能力。它解决的是 Agent 长期运行中最隐蔽、也最致命的问题:记忆退化。谁能把记忆治理做好,谁就更可能构建出稳定、可靠、可持续演进的 AI Agent。