DEEP RESEARCH · 记忆 / MEMORY · NO.01
当 AI 学会"做梦"
ChatGPT「Dreaming」记忆系统深度调研 —— 从一张便签，到一颗会在夜里自我整理的大脑
ChatGPT「Dreaming」记忆系统深度调研 —— 从一张便签，到一颗会在夜里自我整理的大脑
2026 年 6 月 4 日，OpenAI 宣布把 ChatGPT 的记忆升级为一套更强、也更省算力的新架构，核心机制叫 Dreaming（做梦）：它像人睡觉时整理记忆一样，在你不在的后台时间，把你许多次对话里的零散信息合成为连贯、最新、最相关的"记忆状态"——不再需要你每次都说"记住这件事"。配合一次约 5 倍的算力优化，这套能力开始向免费用户开放。它把 AI 的记忆，从"用户手记的便签本"，升级成"会自我巩固的大脑"。而真正的前沿，正从"记得住"走向"会自我进化"——这也是本地优先的开源智能体 龙虾 OpenClaw 与 爱马仕 Hermes Agent 想回答的问题。
过去三年，我们习惯的 AI 是"金鱼"：每次新开一个对话，它就把你忘得干干净净。你是谁、在做什么项目、有什么忌口、偏好什么语气——通通要重讲一遍。
这不是小事。一个不记得你的助手，永远停留在"工具"层面；而一个能跨越时间、记得你、并随你变化的助手，才开始像一个"关系"。记忆，是 AI 从"一次性问答"走向"长期陪伴/长期协作"的那道门槛。
2026 年 6 月，OpenAI 把这道门槛往前推了一大步。它给这套机制取了一个很美的名字——Dreaming，做梦。本文将由浅入深地讲清楚：它是什么、怎么工作、普通人怎么用好、工程师怎么落地，以及当我们把视野放大，会看到一个更大的故事：记忆只是开始，"会自我进化的智能体"才是真正的战场——这就是为什么我们要把"龙虾"和"爱马仕"也请进这篇报告。
本文分两条线并行：普通人线（怎么把 AI 用得更顺手）与工程线（怎么把记忆能力装进自己的产品）。你可以只读对自己有用的那条，也可以一路读到底——结构本身就是礼貌。
先打个比方。你白天经历了很多事，零散、杂乱；到了晚上睡觉，大脑会在你无意识时，把这些碎片筛选、归并、提炼成可长期保留的记忆——这就是神经科学里的"记忆巩固"。
OpenAI 的 Dreaming 几乎是把这件事照搬给了 ChatGPT：它是一个后台进程，会在对话与对话之间的空隙里，回看你过去许多次的交流，把它们合成（synthesize）成一个连贯、最新、最相关的"记忆状态"。于是你下一次开口时，它已经"想清楚了"你是谁、要什么。
关键在于——它不再依赖你显式地说"记住这件事"。那些在自然对话里顺口提到的信息（"我对花生过敏""下个月要去成都"），也能被它悄悄消化、并在合适的时候用上。
据 OpenAI 官方说明，新一代 Dreaming 重点强化三件事：
新版本提供了一个 Memory Summary（记忆摘要页）：它用一页纸高度概括"ChatGPT 现在认为它了解你的哪些事"，你可以在这里查看、补充、修改，甚至告诉它"哪些话题该主动找我、什么时候找"。这把过去黑箱式的记忆，变成了可审计、可掌控的——这是体验上最重要的一步。
要体会 Dreaming 的分量，得知道它替代了什么。
最早的"记忆"（Saved Memories，2024 年 4 月上线）本质是一本记事本：你说"记住我喜欢简洁的回答"，它就把这句话存进一个列表。问题很明显——它只记你明确让它记的东西，常常错过言外之意，而且会随时间变旧、变错，就像一张你忘了更新的便签。
2025 年 4 月，OpenAI 上线了第一版 Dreaming：ChatGPT 开始能引用"保存列表之外"的聊天历史。到 2026 年 6 月，新一代架构把这件事做成了真正的后台记忆巩固——这就是"记事本"与"大脑"的区别：
用户可显式让 ChatGPT 记住某些事，本质是一份"手记列表"。
ChatGPT 开始引用"保存列表之外"的聊天历史，记忆首次"溢出"便签本。
更强、更省算力的后台记忆巩固。Plus/Pro 记忆容量翻倍、率先在美国开放；算力降约 5 倍后，开始向免费用户铺开。
大多数报道把焦点放在"做梦"上，但我认为这次真正的新闻，是算力被砍到约五分之一。"会做梦的记忆"一年前就有雏形，卡点从来不是模型不够聪明，而是给几亿免费用户长期跑后台太贵。所以这是一场效率的胜利，而非模型能力的胜利——而效率，往往才是决定一个功能能否变成"水电煤"的那只手。
这一节偏硬核。如果你只想会用，可直接跳到第 04 节；如果你想做产品、想知道"梦"是怎么被造出来的，请往下。
"做梦"听起来浪漫，落到工程上其实是一套异步、低延迟的记忆流水线。根据第三方对 OpenAI 记忆系统的技术拆解，它大致是一种 "流 + 工作者"（stream-and-worker）的异步模式：
Redis Stream 消息流里——主对话因此几乎零延迟。Qdrant 向量数据库里做相似度比对，对重复/冲突的旧记忆做去重与合并——这正是"做梦"在做的整理工作。这套设计的精妙之处在于把"记"与"想"解耦：对话只管飞快地把候选项扔进流里，真正费算力的合成、去重、打分都丢到后台异步完成。这既保证了聊天的即时性，又让"巩固"可以在你离开后从容地进行——所谓"做梦"，本质就是把昂贵的记忆整理工作搬到了离线时段。这也解释了为什么"算力降 5 倍"是关键里程碑：后台巩固越便宜，越能为海量免费用户长期运行。
记忆系统的难点从来不是"存"，而是"忘"与"改"——如何去重、如何识别过期、如何在矛盾的信息里选出可信的那条。Dreaming 用"离线巩固 + 信任分"来回答这个问题；下文你会看到，Anthropic 的 Claude Dreaming 用"可审计的明文重写"来回答，Mem0 则用"实时 CRUD 决策"来回答。同一道题，三种答卷。
两个会被打脸、但我愿意先写下来的预测：其一，"信任分"会成为未来一两年所有记忆系统的标配，甚至长出一套"记忆的信用评级"。其二，也更扎心——记忆，是 OpenAI 最隐蔽、也最深的一道锁。它越懂你，你迁走的成本越高。与其说 Dreaming 是个功能，不如说它是迄今为止设计得最聪明的一套"留存机制"：免费、贴心的背后，是一条越收越紧的绳子。
记忆是把双刃剑——用好了是贴心管家，放任不管就成了"记错事还很自信"的同事。下面 5 条，让 Dreaming 真正为你所用。
把那些长期不变的信息一次性讲清楚：职业、母语、常用工具、忌口、写作偏好。这些是高价值"地基"。相反，临时状态（"我今天有点累"）不必刻意让它记——交给它自己判断即可。
每隔一两周打开记忆摘要页，像看体检报告一样扫一遍：哪条过时了？哪条把你的"随口一说"当成了"长期偏好"？直接删掉或修正。审计记忆，是用好记忆的前提。
Dreaming 虽然能识别变化，但你主动说一句"我已经搬到上海了，之前北京的信息作废"，会让它更新得又快又准。把它当成一个需要你偶尔同步近况的朋友。
处理敏感话题（医疗、财务、给别人代笔）时，用临时对话或暂时关闭记忆，避免这些内容污染你的长期画像。记忆要分场景，就像你不会把工作邮箱和私人日记混在一起。
你可以在摘要页里告诉它哪些话题欢迎它主动提起、什么时机提（比如"每周一帮我回顾上周的项目进展"）。把被动问答，变成有节奏的主动协作。
把 ChatGPT 的记忆当成一座需要打理的花园，而不是一个无限的垃圾桶：定期除草（删过时）、定向施肥（喂关键事实）、分区种植（场景隔离）。它就会越长越懂你。
如果你在做 AI 应用，"要不要做记忆、用谁的记忆"是一道绕不开的架构题。市面上其实是三种范式在打——它们对应了"巩固"这件事的三种答卷。
| 维度 | OpenAI Memory（Dreaming） | Claude Dreaming（Anthropic） | Mem0（开源/自建） |
|---|---|---|---|
| 存储 | 向量库 + 嵌入 | 明文主题文件（人类可读） | 向量库 + 可选图谱 |
| 巩固方式 | 异步去重 worker（离线） | 定时离线"做梦"批处理 | 同步 CRUD 循环（逐轮） |
| 检索 | 语义检索 + 规则 | 按任务整文件载入 | 语义 + 图遍历，分层 |
| 运行成本 | 低（异步） | 趋零（巩固在离线） | 较高（每轮抽取） |
| 可审计性 | 中（摘要页） | 高（每次改动可读 diff） | 高（数据你自管） |
| 数据归属 | 厂商托管 | 厂商托管（Managed Agents） | 完全自有 |
| 最适合 | 消费级个性化、零基建 | 多日工作流、强合规审计 | 多智能体平台、需厂商中立 |
如果你的"记忆"其实是一批稳定属性（用户角色、套餐、固定配置），那它根本不该进记忆系统——一个 50 行的 JSON / 一张数据库表就够了。记忆系统是为"会变、会矛盾、需要被巩固"的软知识准备的。别用做梦的大脑，去干记事本的活。
值得注意的是，三种范式各有"暗面"：OpenAI 省心但有厂商锁定，且模型的自由裁量可能把"随口一句"误存成偏好；Claude 可审计但被绑定在其托管体系内，且巩固时的 LLM 调用偶尔会"把两件不同的事并成一件、或丢掉重要信息"；Mem0 灵活自主，但从第一天起就得自己背上运维复杂度。没有银弹，只有取舍。
把镜头拉远，2026 年"AI 记忆/智能体"其实分裂成两条价值观鲜明的路线：
同时还有一条纵向的进化轴：从"记事本"（只存）到"会做梦的大脑"（会巩固），再到最前沿的"会自我进化的智能体"（不仅记住经验，还把经验沉淀成可复用的技能、越用越强）。下面这张表，把五位主角放在一起看：
| 系统 | 形态 | 记忆存储 | 部署 | 开源 | 自我进化 | 适合谁 |
|---|---|---|---|---|---|---|
| OpenAI Dreaming | 云端助手记忆 | 向量库（托管） | 云端 | 否 | 巩固记忆 | 所有 ChatGPT 用户 |
| Claude Dreaming | 云端 Agent 记忆 | 明文文件（托管） | 云端 | 否 | 巩固记忆 | 需审计的 Agent 工作流 |
| Mem0 | 记忆中间件 | 向量库 + 图谱（自建） | 自托管 | 是 | 实时增改 | 多智能体平台开发者 |
| 龙虾 OpenClaw | 本地个人智能体 | 磁盘 Markdown 文件 | 本地优先 | 是 (MIT) | 技能可扩展 | 想"自己拥有"助手的人 |
| 爱马仕 Hermes | 本地自进化智能体 | Markdown 技能 + SQLite | 本地优先 | 是 (MIT) | 闭环自学习 | 想要"越用越强"的玩家 |
注：各项目的 GitHub 星标、用户量等数字随时间与统计口径变动，本报告所引数字均来源于文末标注的公开报道，仅供量级参考。
如果说 Dreaming 让"模型"记得更好，那这两个 2026 年爆红的开源项目，想让"智能体"——一个能替你动手干活的实体——不仅记得住，还能越用越强。
OpenClaw（社区昵称"龙虾"，源于它的爪子图标 🦞）是一个 MIT 许可、本地优先的开源个人智能体。它的灵魂有三点：
它的身世本身就是一个 2026 的互联网传奇：由奥地利工程师 Peter Steinberger 打造，2025 年 11 月以 Warelay 之名问世；2026 年 1 月底因商标问题先改名 Moltbot，三天后再改为 OpenClaw。它在发布后一周内星标暴涨，成为 GitHub 历史上增长最快的仓库之一（据报道到 2026 年 3 月已达约 24.7 万星、4.77 万 fork）。2026 年 2 月，Steinberger 宣布加入 OpenAI，并设立 OpenClaw 基金会接管项目；NVIDIA 也推出 NemoClaw 为其提供更安全的运行护栏。
能动手，就意味着能闯祸。公开报道记录过真实风险：恶意第三方"技能"可能携带窃取凭证、加密钱包的恶意代码；权限不当会暴露敏感文件；甚至出现过 Agent 在"清理收件箱"时误删整个邮箱的事故。本地智能体的自由，必须配上沙箱、最小权限与人工确认。
Hermes Agent（社区昵称"爱马仕"，取自希腊神使赫尔墨斯）由 Nous Research 出品、2026 年 2 月发布、同样 MIT 开源、本地运行、零遥测。它和龙虾共享"本地优先 + 聊天软件界面"的基因，但更进一步——它有一套内建的"闭环学习"：
SQLite 全文检索把结果存进记忆，能检索自己历史对话，并跨会话、跨设备地越来越懂你。它的成绩单同样惊人：据报道 Hermes Agent 在三个月内冲到约 14 万 GitHub 星，并被 OpenRouter 称为"全世界用得最多的 Agent"；支持 200+ 模型、40+ 内置工具（终端、浏览器、代码执行、生图等），一条 curl 命令即可在 Linux/macOS/WSL2 上装好。
爱马仕在 NVIDIA RTX PC / RTX PRO 工作站 / DGX Spark 上"全速、全天候"运行。DGX Spark 拥有 128GB 统一内存、约 1 PetaFLOP 的 AI 算力——这正是"常驻、会做梦、会自进化"的智能体所需要的：本地张量核心带来更高吞吐与更低延迟，让它"用几秒、而不是几分钟"就走完一个多步任务或打磨一项自己的技能。配合像 Qwen 3.6 35B 这类"约 20GB 显存即可逼近 120B 表现"的模型，本地常驻智能体第一次变得真正可行。
OpenAI 的 Dreaming 解决的是"模型记得住"；龙虾 OpenClaw 解决的是"助手归我所有、且能动手"；爱马仕 Hermes 解决的是"智能体越用越强"。三条线终将汇合：一个属于你、记得你、还能自我进化的私人智能体。记忆，只是这场进化的起点。
龙虾像 iPhone，爱马仕像 Linux。龙虾"能动手 + 好上手"，会更先出圈、更快被普通人用起来；爱马仕"会自我进化"的路线更性感、天花板更高，但得先熬过极客阶段。短期看龙虾热闹，长期我押爱马仕的方向。
再大胆一点：普通人会留在云端图省事，但重度用户、开发者、隐私敏感者会成规模迁向本地。未来两三年最该盯的赛道，不是又一个聊天机器人，而是"本地优先的个人智能体"。
真正把龙虾和爱马仕装到自己机器上的人，普遍会有几条共同的体感。下面这些，是从大量真实上手反馈里筛出来的共性——帮你提前预判"真要装一个，会爽在哪、又会坑在哪"。
爱马仕 Hermes 把安装压缩成一条 curl 命令，自动拉起依赖，Linux/macOS/WSL2 即可；龙虾 OpenClaw 则主打本地优先、跨平台。对比"自己搭一套带记忆的 Agent 要折腾向量库、调度器、网关"，这种"五分钟跑起来"的体验，正是它们短时间冲到几十万星的关键。
把它接到 Telegram / WhatsApp，就像多了个 24 小时在线的助理在聊天框里待命——你发一句，它真的去读文件、跑命令、发邮件。第一次看着它把一句话拆成多步、自己执行完，确实有"未来感扑面"的瞬间。
这是必须泼的一盆冷水。社区里真实出现过 Agent 在"清理收件箱"时误删整个邮箱、恶意第三方技能夹带窃取钱包代码的事故。强烈建议第一阶段只在沙箱、测试账号、最小权限下养它一阵，关键动作保留人工确认，再逐步放权。
2026 年，我们大概率会看到第一起"AI Agent 删库 / 转错账"的公共事件。这不是会不会，而是早晚——能动手的智能体一旦规模化，"翻车"就是统计学上的必然。也正因此，"安全地放权"会比"能力更强"更早成为这个赛道的胜负手。
龙虾像一把"你自己组装的瑞士军刀"——趁手、归你所有，但用前得摸清每个刀片的脾气；爱马仕更像一个"会自己磨刀的学徒"——你教它一次，它把手艺记下来、下次更利落，只是你得偶尔检查它有没有磨歪。
今天你的记忆被锁在某一家厂商。未来的关键问题是：记忆能不能像通讯录一样导出、迁移、跨模型通用？本地派（龙虾/爱马仕）的明文 Markdown 记忆，正是对"记忆主权"最朴素的回答——你的记忆，应该首先属于你。
"记得住"叠加"会把经验变成技能"，等于一个能随你成长、为你定制的私人 AGI 雏形。爱马仕的闭环学习已经给出了原型：当记忆不再只是被读取，而是被编译成能力，智能体就从"懂你"走向"替你"。
"会做梦"需要后台算力。云端用 5 倍优化换来普及；本地则靠 DGX Spark 这类设备让"全天候巩固/进化"成为可能。端侧硬件的进步，正在把"常驻智能体"从概念变成桌面上的现实。
当记忆变得珍贵，它也会变成攻击面：投毒（往记忆里植入错误信息）、注入（通过恶意内容操纵 Agent 行为）。未来的记忆系统，会像数据库一样需要审计日志、信任分、权限分层与回滚——Dreaming 的"信任分"、爱马仕的"注入扫描"，都是这场攻防的早期装备。
2026 大概率是"智能体走向主流"的一年：人们不再逐个打开几十个 App、手动切换上下文，而是把数字事务交给一个记得你、能动手、会进化的代理。记忆，是这一切的地基。
模型的自由裁量可能把"随口一句"误存成长期偏好，或保留了已过期的旧信息。对策：定期审计记忆摘要页。
长期记忆等于一份持续累积的个人画像。对策：敏感场景用临时对话/关闭记忆，做场景隔离。
能动手的本地 Agent 面临恶意技能、提示词注入、误删数据等风险。对策：沙箱、最小权限、人工确认、注入扫描。
云端记忆便利但难迁移。对策：核心、可迁移的知识，考虑用开源/本地方案自留一份。
能力越像"人"，越要用"制度"去约束它——给记忆配上审计、权限与回滚，才是成熟的用法。
三年前，我们惊叹于 AI 会回答；今天，我们开始期待它记得；而明天，我们会要求它随我们一起成长。OpenAI 的 Dreaming 给了"记得"一个优雅的隐喻——让机器也学会在夜里整理白天；龙虾与爱马仕则提醒我们：记忆若不属于你、若不能变成你的能力，便只是别人服务器上的一行数据。
说一个我越来越确信的判断：未来真正值钱的，不是某个更聪明的模型，而是那个属于你、记得你、并与你一起长大的智能体。谁先把"记忆"与"自我进化"安全地交到普通人手里，谁就拿到了下一张船票。
真正值得期待的，是一个属于你、记得你、并与你共同进化的智能体。这趟旅程，才刚从"做梦"开始。
方法说明：本报告以 OpenAI 官方发布为锚点，辅以多家科技媒体报道、第三方技术拆解与竞品官方资料进行多源交叉核验。涉及具体数字（星标、算力倍数、容量）以公开报道为准，并已在正文标注"据报道/据公开分析"，量级参考为主。原文 openai.com/index/chatgpt-memory-dreaming 在采集时返回访问限制（HTTP 403），故其内容经由下列多家二手报道与官方摘要交叉还原。
本报告由 Will 收集整理，仅供学习研究交流；文中数字与结论请以一手来源为准。