转载地址：https://mp.weixin.qq.com/s?__biz=MzY0MDgyODc3MA==&mid=2247483783&idx=1&sn=e6b3de98d32b07b28e168a8f60d4f9ef&scene=21&poc_token=HBc-VGqjBi6Ya5-UG8wrRJD6A0PMWeL7IvvhtMrL

前几天我翻河蟹的记忆文件，看到这么一行：

- 我在西湖区 <!--m:subj=所在地;  vf=2026-06-20;conf=0.90;hc=2-->

行尾那段 HTML 注释，markdown 渲染时是隐形的。再往下翻，我发现"西湖区"这条还在，只是被标了个失效时间（上周去过那一趟）；当前有效的，是后面新写的"我在余杭区"（我常待的地方）。它没把西湖区删掉——只是给它盖了个时间戳。

这阵子 Claude 和 ChatGPT 都给记忆加了"做梦"——后台自动把你说过的话整理成一份画像（Anthropic 5 月发的叫 Claude Dreaming，OpenAI 6 月发的叫 Dreaming V3，都拿人睡觉时大脑固化记忆来打比方）。我也想给河蟹一套这样的记忆。但真动手时，有两个地方我特意做得不一样：

• 它整理记忆的每一步，都落在你能 cat、能 git diff 的纯文本上——不是某个你看不见的云端。

• "做梦"里真正会幻觉的那部分（让 LLM 改写你的记忆），我把它关进一个有边界的笼子，而且默认锁着，开关留给你。

这两条不是什么功能卖点，是我自己用得安心的底线。下面就跟着开头这条"所在地"记忆，看它在河蟹里怎么过完一生。

---

先看一眼整座楼：三层 + 六类

在跟着那条记忆往下走之前，先把整座楼看一眼。河蟹的记忆不是一个大池子，而是三层楼（这套三层借的是操作系统管内存的思路——Letta / MemGPT 把它叫 core / recall / archival，本质是拿管虚拟内存的办法管记忆）：

• 常驻层（楼顶）

  ——你是谁、你定的硬规则、你的长期偏好。会话一开始就冻结成快照注入，每轮都在，保证带。

• 检索层（中间）

  ——一条条离散事实（"在余杭区""上周在改一个 RAG 的 bug""技术栈是 Go"）。不每轮都带，按当前问题三维打分、挑最相关的几条召回。

• 原始层（地下室）

  ——你所有对话的全文留底，平时不动，需要时全文检索翻出来。

一条记忆落在哪层，由它的类型自动决定，不用你手填：规则 / 身份 / 指令 / 偏好归常驻，普通事实 / 上下文归检索。而且每条记忆都带 (用户, 角色) 的归属——你接了飞书、几个人共用一个 Agent，各人的记忆不串场。

这座楼里发生的所有改动——你随口说的、AI 主动记的、半夜做梦整理的、你自己手动改文件的——全走同一个"单写器"排队落盘，原子写、不互相覆盖，连你手改过的条目它都会先比对、不盲覆盖。下面挨层看（也可以先对着这张图建个全局）：

一条记忆的一生：① 写入（去重 → 取代留史）· ② 读取（三层组装注入）· ③ 做梦（机械轻相 + LLM 深相，整理后写回）

存：一行人话，行尾藏着批注

你随口跟它说一句"我在余杭区"，河蟹把它记了下来。存哪儿这事，业界两条路：ChatGPT 存进云端、你只能在设置里翻列表；Claude Code 存进本地文件。河蟹走后者，但多做了一件事——在你看不见的地方，给每条记忆缝了一张隐藏批注（structured_entry.go）。

就是开头那段行尾注释：subj 是这条事实的"主语"（所在地），vf 生效时间，conf 置信度，hc 被召回过几次。一个字段都不靠数据库，全藏在 markdown 行尾的注释里。文件还是那个你能 cat、能改、能 git diff 的纯文本，但记忆从此有了结构——能排序、能比对、能标记失效。旧条目没这段注释？解析时字段全取零值，照常工作。

你可能会问：元数据为什么不进数据库、不进向量库？——因为一进库，你就 cat 不了、git diff 不了、手改不了了。河蟹宁可用"纯文本 + 行内注释 + 单写器串行落盘"硬扛结构化，也要把"你能看见、能改、能回滚"这条护城河留住。这是个清醒的取舍：拿一点写入吞吐，换全程透明——对一个跑在你自己机器上、还会半夜自己改自己的记忆，这买卖划算。

改主意：旧的不删，只盖个失效戳

先说这套为什么长成这样。最早它就是个 append-only 流水账——往文件里一条条追加、从不回头。用久了两个病就冒出来：矛盾打架（同一件事先后说了两个值，它到底信哪条）、越积越脏。后面的 supersede 留史、和半夜的做梦整理，都是被这两个病逼出来的。

你平时常在余杭区，过些天去了趟西湖区，随口跟它说一声。这时候多数记忆系统会做一件我不太放心的事：把"余杭区"那条直接改写成"西湖区"。ChatGPT 的 Dreaming 就是这一类——后台改写，旧值没了，它到底动了什么，你也很难回看。

河蟹不覆盖。它先做一次去重判定（upsert.go）：新说的话和库里哪条，字符二元组相似度超过 0.65，就算同一件事的改写；可"所在地"这个主语下，余杭区 ≠ 西湖区，是矛盾——于是走 supersede（时序取代），而不是覆盖。每条事实带一个"有效窗口"，矛盾即取代、不是抹除——这套 Zep / Graphiti 管它叫 bi-temporal（双时间轴）：

// 召回默认只取"当前有效"的条目func IsCurrentlyValid(e, now) bool {  if e.ValidTo != nil &&     !now.Before(*e.ValidTo) {    return false  // 已被取代,失效  }  return true}

"余杭区"那条不删，只在隐藏批注里补一个 vt（失效时刻）；"西湖区"新写进去，带上 sup 指回旧条。往后召回默认只取"当前有效"的——你人在西湖区时它就答西湖区；等你回了余杭区，它再 supersede 一次、把所在地切回来。这一趟来回——你哪天在余杭、哪天去了趟西湖——都原原本本躺在文件里，git log 一翻清清楚楚。

覆盖，是把历史擦掉；取代，是给历史盖个时间戳。前者你只能信它，后者你能查它。

想起来：常驻冻结 + 三维打分 + 主动召回

该用记忆的时候，三层楼各出各的力。

楼顶（常驻层）每轮都带。会话一开始，引擎就把常驻层冻结成一张快照，按一个 token 预算挑进来——pinned 优先、然后按重要度、再按新近度（resident.go）。硬规则、你的身份，保证每轮都在，不靠"碰运气检索"。

中间（检索层）按需挑。记忆多了塞不下，得挑。最朴素的做法是按向量相似度挑——谁跟当前问题最像就召谁。但我很快撞上这条路的坑：纯相似度会埋掉"重要但旧"的事。比如你两个月前踩过一个坑，特意叮嘱过它"那个老接口偶尔抽风，千万记得加超时兜底"；过些天你问的东西跟这句八竿子打不着、语义上根本不沾边——可它要是没把这条捞出来，你很可能又栽在同一个地方。所以河蟹的打分是三维的——这套 recency × importance × relevance，正是斯坦福 Generative Agents 那篇论文的打分法（recall/entry.go）：

// 三维加权,确定性,零 LLMScore = 新近度 + 重要度 + 相关度// 重要度 = 类型先验 + 显著性 + 召回频次//   规则/身份 1.0 · 指令 0.8//   偏好 0.6 · 普通事实 0.4

• 相关度

  ——配了向量模型就用 cosine 0.7 + 关键词 BM25 0.3 的加权混合；没配就软降级成纯关键词，不崩。

• 新近度

  ——指数衰减，半衰期 30 天。

• 重要度

  ——不靠 LLM 现打分，而是"类型先验 + 显著性 + 被召回次数"算的。"过敏""务必""千万"这类词命中会加分（重要的新事实第一次就够分被想起）；每被成功召回一次再涨一点、封顶。

"千万记得加超时兜底"是条要紧的旧叮嘱——"千万"这种词会触发显著性加成，把它的重要度顶上去；就算旧、就算今天语义不最像，三维一加权照样浮得上来。这里还藏着个刻意的设计：三维不是一个量纲——重要度上限能到 2.0（类型先验 + 显著性 + 召回叠起来），新近度、相关度却各自封顶 1.0。换句话说，够要紧的事，在分数里天生就压得过够相似的事。纯相似度只问"像不像"，河蟹还问"要不要紧"——而且这"要不要紧"是算出来的，不是嘴上说的。

地下室（原始层）需要时才翻。这里走两条独立通道，不混在一起：高信任的策展事实每轮自动注入，而原始会话全文是按需的。除了模型自己想搜，河蟹还会在回复之前主动翻一次历史对话（active_recall.go，默认开），把"该想起来"的旧片段先浮上来。但它很克制——最多浮 3 条、1.5 秒超时、纯本地全文检索零 LLM、连续失败 3 次熔断冷却 60 秒、只在一对一聊天时跑，失败就静默退回，绝不卡你回复。

做梦：它会整理，但会幻觉的那半我上了锁

前面这些够日常用了。但记忆会越积越碎：你这周提了三次同一个项目、五条零散偏好，总得定期把它们整理成一句干净的话、一份稳定的画像。这就是"做梦"——也是这篇标题的来历。河蟹的做梦分两相，区别就在"哪部分让 LLM 碰"。

轻相：机械整理，一行 LLM 都不碰

轻相（reflect.go）只做搬运和标记：近重复的删并、矛盾的标失效、高频的晋升常驻、陈旧的归档。它背后是一台确定性的生命周期状态机（lifecycle.go），阈值都写死、零 LLM：

被取代/失效        → 归档(可恢复,非删)检索条召回 ≥ 3 次   → 晋升常驻又旧又不重要        → 归档常驻偏好长期零召回   → 降级回检索pinned / 硬规则      → 永远不动

关键是：这一相根本没有"改写正文"的能力，它只搬运、只标记，碰不到你记忆的字面内容——所以它不可能幻觉。你被召回多了的事实会自动浮成常驻、长期没人问的会沉下去归档，全程不需要、也用不上一次模型调用。

深相：让 LLM 合成，但锁进笼子

深相（dreaming.go）才请 LLM 出场：把一簇相关、冗余的零碎记忆合成成一条连贯的。这是做梦里真正像做梦的部分，也是唯一允许生成新文字的地方。正因为它会幻觉，我给它上了一圈硬边界：

• 只碰检索层、不碰常驻层

  ——规则、身份、你 pin 住的、高频召回的（≥ 3 次）、很新的（约 4.5 天内），一律不折叠。还在演化的、最要紧的，做梦时不动。

• 有界

  ——一轮最多整合 4 簇、一簇最多 8 条进 prompt。不让它一晚上把你整个记忆库重写一遍。

• 合成也不覆盖

  ——整合出的新条仍走 supersede 留史：旧的标失效、不硬删，新的指回去。做梦改了什么，照样 git diff 得出来。

• prompt 钉死不臆造

  ——整合指令写明：保留全部关键信息、不丢事实、不臆造未提及的内容。

还有回放相，和把零碎捏成一个"你"

深相之外还有两步。一是回放相（engine 级，思路上对标 Claude Dreaming 的"回放历史会话"）：低频地把你以前的老对话翻出来，补上当时在线没顺手记下的事实。二是画像蒸馏（profile.go）：把你零散提过的偏好、习惯——深夜才冒泡、动不动喊累、张口就是 Go——蒸馏成一句稳定的用户画像置顶常驻，比如"一个常熬到凌晨 5 点的疲惫工程师"。这就是标题说的"整理成画像"。轻相跑得勤、深相和回放跑得稀。

做梦到底帮 Agent 解决了什么

讲了半天机制，说点实在的——一个会做梦的 Agent，和不会做梦的，差在哪：

• 记忆不变成"杂物抽屉"。

  用得越久零碎越堆越多，不收拾就全是噪音、召回越来越不准。做梦定期去重、归档、合并，把常驻预算和检索池保持精炼。（OpenAI 自己也用 "junk drawer" 形容没做梦的记忆。）

• 从零碎长出一个"你"。

  你今天提一句爱用深色、明天嫌某框架啰嗦——单看都是碎片，做梦把它们蒸馏成一条稳定画像，Agent 下次开口就更像懂你的人，而不是每次从零认识你。

• 不拿过期信息答你。

  你换了城市、换了技术栈、戒了某样东西——矛盾的旧事实被标失效，Agent 只认当前有效的那条。

• 跨会话把教训记住。

  回放相把老对话翻出来、提炼"这类活我老在哪栽跟头"的模式。Harvey 报告打开 Claude Dreaming 后，反复失败的法律起草任务完成率涨了约 6 倍——Agent 不再每次重复踩同一个坑。

• 补回当时漏记的。

  在线聊时关了记忆、用的弱模型没顺手存、或你导入了一批旧会话——这些漏网的事实，回放相事后补回来。

一句话：做梦是 Agent 长期记忆的"维护进程"。没有它，记忆只增不减、矛盾累积、画像涣散，Agent 越用越乱；有了它，记忆越用越精、画像越用越准、还能跨会话学——Agent 才谈得上"越用越懂你"。

说清楚它什么时候跑、要不要你管：默认就帮你开着，低频在后台跑、不频繁打扰你机器。会幻觉的那一相（让 LLM 合成）多一道守卫：得你自己配了模型才启，没配就只跑零幻觉的机械整理，LLM 根本碰不到你的记忆。还有一条专为桌面做的：关了机也不丢——下次开机离上次够久，它会先把欠的那觉补上，再接着低频跑。不想要随时能关；但"让模型改记忆"这一步，我卡在"你得主动配模型"上——默认就是安全的。

你说了算，还有安全

随手管（manage_memory.go）：一句"记住我喜欢深色主题""忘掉刚才那条""以后都用中文回我"，模型就去增 / 改 / 删 / 置顶；它也会在聊天里主动判断该不该记。但有两条线焊死：凭证绝不入记忆，内容一旦疑似密码 / 密钥直接拒记、让你走加密的连接中心；所有写入都经同一个单写器、同一套去重和留史纪律——AI 主动记的、你手动改的、半夜做梦整理的，谁都绕不过前面那些规矩。

---

那条"所在地"记忆的一生到这就走完了：它被存进一行带隐藏批注的 markdown，改主意时被标记失效而不是抹掉，被三维打分想起来，半夜被两相做梦整理进画像——而自始至终，你都能 cat 它、git diff 它、一句话改掉它。

我也得说句公道话：标题那句"它们的梦在云端"，不全对——Claude Code 的 Auto Dream 整理的也是你本地的文件。所以河蟹真正不一样的，其实是三条叠一起：做梦的逻辑开源、你能读；算力可以全本地跑（接 Ollama，记忆连整理都不必喂给别人）；全程纯文本、git 可回滚。单拎一条都不算独一份，叠起来才是。（还有：这篇我没给河蟹报任何跑分——上面 ChatGPT 的 82.8%、Harvey 的 6 倍都是人家公开的；河蟹这套我只摊机制和常量，没做对标评测，就不编实测数字。）

它趁你睡着，把你白天说的零碎，整理成一份更懂你的画像——只是这场"梦"不在云端，就摊在你本机的纸上，一行行都翻得到。

这篇只讲了记忆——它自己学到、自己整理的那半个"第二大脑"。还有另半个：你主动喂给它的资料、文档、源码，也就是知识库。这两半共享同一套本地检索底座，却长成了完全不同的两种"记得"——记忆会做梦，知识库不做梦。那是下一篇的事。