🌙 梦境记忆整合 (Dreaming Memory Consolidation)

"不是所有记忆都值得保留，但重要的不该被遗忘。"

灵感来自 OpenClaw 的 Dreaming 功能，为 CoPaw/QwenPaw 提供自动化的记忆巩固能力。

什么时候用

当用户提到以下意图时触发：

• "运行梦境"/"开始 dreaming"/"执行记忆整合"
• "帮我整理一下记忆"/"记忆太多了，精简一下"
• "哪些记忆是重要的"/"评估我的记忆价值"
• "把短期记忆沉淀到长期存储"
• "配置 dreaming"/"调整梦境参数"

核心概念

三阶段睡眠模型

┌──────────┐    ┌──────────┐    ┌──────────┐
│ 浅睡      │ →  │ REM      │ →  │ 深睡      │
│ Light     │    │ Sleep    │    │ Deep     │
│ Sleep     │    │          │    │ Sleep    │
├──────────┤    ├──────────┤    ├──────────┤
│ 扫描记忆  │    │ 评分+联想  │    │ 写入+清理  │
│ 收集信号  │    │ 生成洞察  │    │ 归档过期  │
│ 轻量过滤  │    │ 跨主题连接 │    │ 索引重建  │
└──────────┘    └──────────┘    └──────────┘

六维评分信号

信号	权重	说明
相关性 (relevance)	0.30	与用户核心兴趣的匹配度
频率 (frequency)	0.24	记忆被召回的次数
查询多样性 (query_diversity)	0.15	触发该记忆的不同查询数量
时效性 (recency)	0.15	最后更新时间的新鲜度
整合度 (consolidation)	0.10	已被引用/关联的程度
概念丰富度 (concept_richness)	0.06	包含的概念密度

三重门槛

必须同时满足以下三个条件才能进入长期巩固：

• 综合得分 ≥ min_score（默认 0.8）
• 召回次数 ≥ min_recall_count（默认 3）
• 独立查询数 ≥ min_unique_queries（默认 3）

---

使用方式

方式一：Skill 模式（立即可用）

直接让 Agent 按照 SOP 执行：

"帮我运行一次梦境记忆整合"

Agent 会：

1. 读取 .workbuddy/memory/ 下所有日记文件
2. 运行六信号评分引擎
3. 按三阶段流程处理记忆
4. 生成整合报告
5. 更新 MEMORY.md

方式二：Plugin 模式（需要 QwenPaw）

将本 skill 目录部署为 QwenPaw 插件后获得：

• 后台守护进程：定时自动执行 dreaming
• Cron 集成：通过 APScheduler 调度
• 控制命令：/dreaming status、/dreaming run、/dreaming config
• Hook 注入：在 memory_search 时追踪召回次数
• Startup Hook：QwenPaw 启动时自动初始化 daemon

---

配置参数

默认配置 (dreaming_config.py)

DREAMING_CONFIG = {
    # 三重门槛
    "min_score": 0.8,            # 最低综合得分
    "min_recall_count": 3,       # 最少召回次数
    "min_unique_queries": 3,     # 最少独立查询数

    # 阶段配置
    "light_sleep": {
        "max_memory_age_days": 30,   # 只处理30天内的记忆
        "scan_batch_size": 50,       # 每批扫描数量
    },
    "rem_sleep": {
        "max_candidates": 20,        # REM阶段最多处理候选
        "association_depth": 2,      # 联想深度
    },
    "deep_sleep": {
        "archive_threshold_days": 90,  # 超过此天数的记忆归档
        "max_consolidations_per_run": 10,  # 每次最多巩固数
    },

    # 调度
    "schedule": {
        "cron_expression": "0 2 * * *",  # 每天凌晨2点
        "timezone": "Asia/Shanghai",
        "enabled": True,
    },

    # 路径
    "memory_dir": ".workbuddy/memory",
    "long_term_file": "MEMORY.md",
    "archive_dir": ".workbuddy/memory/archive",
    "state_file": ".workbuddy/memory/.dreaming_state.json",

    # 信号权重
    "weights": {
        "relevance": 0.30,
        "frequency": 0.24,
        "query_diversity": 0.15,
        "recency": 0.15,
        "consolidation": 0.10,
        "concept_richness": 0.06,
    }
}

---

Skill 模式 SOP（Agent 执行指南）

前置检查

1. 确认 memory 目录存在：检查 {workspace}/.workbuddy/memory/
2. 确认有可处理的记忆：至少存在一个日期文件或 MEMORY.md
3. 加载配置：读取 dreaming_config.py 中的默认配置，允许用户覆盖

Phase 0: 准备 (Preparation)

输入: workspace memory 目录
输出: 原始记忆列表 + 元数据
动作:
  1. 列出 memory/ 下所有 .md 文件
  2. 解析每个文件的时间戳、大小、段落数
  3. 读取 .dreaming_state.json（如果存在）获取历史状态
  4. 过滤掉超过 max_memory_age_days 的文件
  5. 输出: memory_inventory = [{file, date, size, paragraphs, last_modified}]

Phase 1: 浅睡 (Light Sleep) — 记忆扫描

输入: memory_inventory
输出: 候选记忆列表 + 初始信号收集
动作:
  1. 逐文件读取内容
  2. 对每个记忆段落提取:
     - 关键词/实体
     - 时间标记
     - 引用关系（提到其他记忆）
     - 概念标签
  3. 计算初始分数:
     - recency 分数（基于日期衰减）
     - concept_richness 分数（关键词密度）
  4. 过滤: 排除明显低价值的条目（纯操作日志等）
  5. 输出: candidates = [{content, signals, initial_score}]

Phase 2: REM Sleep — 评分与联想

输入: candidates + weights
_output: 排序后的高分记忆 + 洞察
动作:
  1. 运行完整六信号评分:
     - relevance: 与用户画像/核心兴趣匹配度（需用户上下文）
     - frequency: 从 state 文件读历史召回计数
     - query_diversity: 不同查询触发的次数
     - consolidation: 被其他记忆引用的次数
  2. 加权求和得到 final_score
  3. 应用三重门槛过滤
  4. 对通过的记忆进行跨主题联想:
     - 找出语义相近但不直接关联的记忆对
     - 生成"洞察"（insights）
  5. 排序并截断到 max_candidates
  6. 输出: scored_memories = [...], insights = [...]

Phase 3: 深睡 (Deep Sleep) — 巩固与归档

输入: scored_memories (通过门槛的)
输出: 更新后的 MEMORY.md + 归档报告
动作:
  1. 将高分记忆写入/更新到 MEMORY.md:
     - 去重合并
     - 保持结构化格式
     - 标记最后巩固时间
  2. 归档过时记忆:
     - 移动超过 archive_threshold_days 的条目到 archive/
     - 在源文件中保留指针
  3. 更新 .dreaming_state.json:
     - 更新召回计数
     - 记录本次执行时间戳
     - 保存 insights
  4. 清理: 删除空文件、修复孤立引用
  5. 输出: consolidation_report

最终产出

生成以下结构的报告：

# 🌙 梦境报告 - {timestamp}

## 概览
- 处理记忆总数: N
- 通过门槛: M
- 已巩固: K
- 已归档: L
- 生成洞察: P

## 高分记忆 TOP 5
| 排名 | 记忆摘要 | 综合分 | 主要信号 |
|------|---------|--------|----------|
| 1 | ... | 0.92 | relevance↑ frequency↑ |
| ... | ... | ... | ... |

## 新生洞察
1. ...
2. ...

## 归档清单
- [2026-01-15.md] → archive/ (超期90天)
- ...

## 下次建议
- 关注领域 X 的记忆积累
- 条目 Y 即将达到归档阈值

---

文件结构

copaw-dreaming/
├── SKILL.md                  # ← 本文件，Skill 定义
├── README.md                 # 架构说明与使用文档
├── plugin.json               # QwenPaw 插件清单
├── plugin.py                 # Plugin 入口 (register(api))
├── scripts/
│   ├── __init__.py
│   ├── dreaming_config.py    # 配置模型与默认值
│   ├── scoring_engine.py     # 六信号评分引擎
│   ├── dreaming_daemon.py    # 核心守护进程 (三阶段流水线)
│   ├── memory_scanner.py     # 记忆扫描器 (浅睡)
│   ├── insight_generator.py  # 洞察生成器 (REM)
│   └── consolidator.py       # 巩固器 (深睡)
└── tests/
    ├── test_scoring_engine.py
    └── test_dreaming_pipeline.py

---

从 Skill 到 Plugin 的迁移路径

能力	Skill 模式	Plugin 模式	差异
触发方式	用户指令	定时 + 手动	Cron 集成
执行者	Agent 本身	后台守护进程	异步非阻塞
召回追踪	估算值	Hook 实时统计	精确计数
状态持久化	JSON 文件	JSON + Registry	可被其他插件查询
控制接口	自然语言	/dreaming 命令	结构化交互

升级步骤

1. ✅ 完成 Skill MVP（当前阶段）
2. ✅ 包含 plugin.json + plugin.py（已就绪）
3. 复制到 ~/.qwenpaw/plugins/copaw-dreaming/
4. 重启 QwenPaw，Plugin 自动加载
5. Daemon 通过 register_startup_hook() 启动

---

安全边界

写入规则

• MEMORY.md: 仅追加/更新，不删除未归档条目
• 日记文件: 只读，不修改原始记录
• Archive: 移动而非删除
• State file: 原子写入（write-to-temp + rename）

默认只读

• 生成诊断报告和评分分析
• 列出即将归档的记忆
• 模拟运行（dry-run 模式）

---

版本历史

版本	日期	变更
0.1.0	2026-04-12	初始版本，混合模式（Skill + Plugin 底子）