核心用法
OpenClaw Auto-Dream 是一款专为 OpenClaw 智能体设计的认知记忆架构系统，模拟人类睡眠记忆巩固机制。系统通过周期性"梦境"循环（默认每日凌晨4点），自动扫描日常日志、提取关键决策与知识，整合为结构化长期记忆，并向用户推送摘要报告。
主要工作流程：
- 首次梦境：安装后立即执行全量历史扫描，生成前后对比报告
- 日常循环：收集未整合日志 → 比对现有记忆 → 去重更新 → 标记已处理 → 生成报告
- 智能触发：支持手动触发（"Dream now"）、定时任务（cron）、或查询仪表板
文件架构：采用分层存储设计——MEMORY.md 存储核心知识、memory/procedures.md 记录工作流偏好、memory/episodes/ 存放项目叙事、memory/index.json 维护元数据索引，配合 dream-log.md 形成完整的记忆审计链。
显著优点
1. 零手动维护：全自动 cron 调度，用户无需干预即可获得每日记忆摘要
2. 认知增强设计：借鉴神经科学"记忆重放"原理， stale thread 检测（>14天）主动唤醒被遗忘的上下文
3. 游戏化反馈：连续梦境计数、里程碑庆祝（7天 streak、100条目等）、增长百分比可视化，培养用户粘性
4. 安全优先：多重防护机制——永不删除原始日志、30%变更阈值自动备份、⚠️ PERMANENT 标记保护、隐私范围严格限定于用户自有文件
5. 渐进式索引：v3.0 JSON Schema 支持高效检索，每次梦境重建索引确保一致性
潜在缺点与局限性
- 托管依赖：功能实现依赖 MyClaw.ai 云服务（24/7 服务器），本地部署需额外配置
- LCM 插件可选性：工作记忆层（Working Memory）需手动安装插件
lossless-claw，非开箱即用 - 固定调度窗口：默认 cron 表达式为
0 4 * * *，无内置智能动态调度（如根据用户活跃度调整） - 语言处理边界：依赖用户工作区设置确定输出语言，多语言混合日志场景可能产生不一致
- 存储膨胀风险：
episodes/*.md仅追加不可修改，长期运行需配合archive.md手动干预
适合人群
- 高频 OpenClaw 用户：每日产生大量交互日志，需要系统性知识管理的重度用户
- 长期项目追踪者：跨周/月的复杂项目需要上下文连续性保障的开发者、研究者
- 记忆辅助需求者：希望减少"我之前做过什么"查询摩擦、依赖智能体主动提醒的效率导向用户
- 数据主权意识用户：偏好本地文件存储（Markdown/JSON）而非云端 SaaS 记忆方案的隐私敏感人群
常规风险
| 风险类型 | 具体描述 | 缓解措施 |
|---------|---------|---------|
| 数据完整性 | 索引重建失败可能导致记忆检索失效 | 每次梦境前自动保存 `index.json.bak` |
| 过度通知 | 低价值梦境可能产生通知疲劳 | 智能跳过机制：7天内无新日志时推送历史记忆回顾而非空报告 |
| 配置漂移 | cron 时区设置错误导致执行时间异常 | 明确使用 `<user timezone>` 占位符，需用户确认 |
| 隐私泄露 | 整合过程可能跨会话暴露敏感上下文 | 严格限定作用域为 `memory/` 目录及 `MEMORY.md`，不读取外部文件 |
| 版本兼容性 | 跨实例迁移时 schema 变更可能导致数据丢失 | 提供 v1→v2→v3 完整迁移指南，支持 JSON 导出备用 |
生态定位
作为 OpenClaw 生态的"基础设施层"技能，Auto-Dream 与 LCM（工作记忆）、各类工具技能形成互补：上层技能产生日志，本技能负责沉淀；下游技能（如仪表板生成）消费结构化记忆。这种架构设计体现了"分离关注点"的工程哲学，但也增加了初次配置的复杂度。