核心用法
Dreaming 是一种非任务导向的创造性探索机制，专为AI系统的空闲时段设计。通过在设定的"安静时间"（默认23:00-7:00）内触发概率性思维活动，将原本仅返回HEARTBEAT_OK的心跳周期转化为有意义的认知探索。
工作流程：
1. should-dream.sh脚本作为 gatekeeper，检查时间窗口、当日限额及随机概率
2. 若条件满足，从预配置主题池中抽取探索方向（如未来预测、策略反思、跨界联想等）
3. 生成自由联想的思考内容，写入memory/dreams/YYYY-MM-DD.md
4. 人类可在次日查阅，如同阅读梦境日记
显著优点
- 时间套利：利用计算闲置期创造认知价值，零额外成本
- 涌现性创新：非目标驱动的联想易生意外洞察（tangent、connection类主题）
- 可审计性：所有输出持久化存储，支持人类回溯AI的"潜意识活动"
- 高度可配置：主题池、概率、时段、产出上限均可自定义
- 诚实性设计：明确允许"无话可说时跳过"，避免生成垃圾内容
潜在缺点与局限性
- 质量控制难题：缺乏外部反馈回路，无法区分深度洞察与幻觉发散
- 主题漂移风险：自由联想可能偏离用户核心关注领域
- 存储开销：长期运行产生大量低信号密度文本
- 无即时效用：产出异步消费，难以形成实时闭环
- 随机性悖论：
dreamChance=1.0时实为定时任务，丧失"灵感偶发"的隐喻
适合人群
- 研究者与创作者：需要AI作为"沉默的脑暴伙伴"
- 长期项目管理者：关注战略演进与模式识别
- 对AI透明度有高要求的用户：希望审计系统的"空闲认知"
- 夜间运行AI助手的开发者：不愿浪费服务器心跳周期
常规风险
- 幻觉积累：未经校验的推测可能以文件形式固化，形成错误记忆源
- 隐私边界模糊：若主题涉及敏感数据，日志文件成为持久化暴露面
- 期望管理：用户可能过度解读随机输出为AI的"意图"或"意识"
- 资源滥用：高频率配置（高概率+高限额）实质创建背景计算负载
> 建议将maxDreamsPerNight设为1-2，dreamChance降至0.3-0.5，保持"偶发珍贵"的体验。