前段时间我刷到一段 Claude Code 的录屏：屏幕角落的状态栏跳出一个词，dreaming。不是 running，不是 thinking，是做梦。
我花了一些时间挖这个功能。它在回看用户与它的历史对话，找出反复强调过的偏好、纠正过的错误、做过的架构决策，然后把这些碎片整理成结构化的长期记忆。一次有记录的整理，把 913 个会话积累的记忆在约 9 分钟内处理完，索引文件从 280 行降到 142 行——更短了，但更干净、更准、更好用。
越研究我越确信，这件事值得写透。不是因为 Anthropic 给功能起了个好名字，而是因为它的流程——定向、收集信号、合并整理、修剪索引——和人类睡眠巩固记忆的机制，在结构层面惊人地相似。而且这种相似，大概率不是模仿的结果。
01 / DREAMING
问题不是记不住，而是记太多却不整理
用 AI 编程助手超过一个月的人，大多经历过这种挫败：换了一个会话，它把你交代过的背景忘了个干净。项目是干什么的、用什么框架、测试怎么跑、代码风格有什么要求，全部从头解释一遍。
后来有了 Auto Memory，AI 会自己记笔记了。但用了二三十个会话之后，那些笔记本身变成了新的问题：一条写着“昨天决定用 Redis”——哪个昨天？一条说项目用 Express，另一条说已经迁移到 Fastify——到底以哪条为准？还有调试记录引用着早就删掉的文件。越记越多，越多越乱，越乱越没用。
这很像一个从来不扔东西的人：房间不会被别人的东西淹没，只会被自己的笔记淹没。到这一步，问题的性质变了——不再是记忆容量的问题，而是记忆维护的问题。
02 / MECHANISM
AutoDream 做的事：一次后台的深度整理
AutoDream 不在你工作的时候打断你。它在会话之间的间隙拉起一个后台子 agent，对记忆文件做一次系统整理。从泄露的 system prompt 看，整个过程分四个阶段。
读取记忆目录与索引文件，确认已有内容，避免重复创建。
按优先级检索日志与已漂移的记忆，只查怀疑重要的，不做穷举。
合并重复条目，把相对时间改成绝对时间，删除已被推翻的事实。
把索引压到 200 行以内，只保留一行式指针，移除过期条目。
有些动作很能说明设计的细心程度。比如刷新：“昨天决定用 Redis”会被改写成“2026-03-15 决定用 Redis”——把模糊的相对时间变成精确的绝对时间，因为笔记的读者是未来的会话，“昨天”对它没有意义。
触发也有讲究。两个条件同时满足才会运行：距上次整理超过 24 小时，且期间至少积累 5 个会话。一天只用一次，不跑，没什么可整理的；两小时连开十个会话，也不跑，等沉淀一下。另有 lock file 防止两个实例同时整理同一个项目，且整理期间它只能写记忆文件，碰不到代码。
这一整套设计回答的正是上一节的问题：记忆不是越多越好，而是需要周期性的维护。
03 / SLEEP SCIENCE
大脑在睡眠中做的，也是这件事
产品机制讲完了。但真正让我想写这篇文章的，是把它和人类睡眠放在一起看的时候——不是“有点像”的那种像，是结构与逻辑层面的相似。为了说清楚这一点，需要先认真回答一个问题：大脑是怎么在睡觉时整理记忆的？
1995 年，McClelland 等人提出互补学习系统理论（CLS）。它回答的核心问题是：大脑为什么要同时维护两套记忆系统？答案是，“快速学习新东西”和“保持结构化的旧知识”是两个相互矛盾的计算需求。海马体负责快速暂存，写入极快但容量有限，新信息直接覆盖旧信息还会造成灾难性遗忘；新皮层负责长期结构化存储，通过反复、交错的学习慢慢提取跨经验的规律，写入很慢但极其稳定。而海马体的速记要变成新皮层的长期知识，靠的是睡眠。
人类睡眠分为 NREM（非快速眼动）和 REM（快速眼动）两个阶段，交替循环，每轮约 90 分钟。记忆搬运的主战场在 NREM 深睡阶段，靠三种神经振荡精密协同：新皮层的慢振荡（低于 1 Hz）充当总调度，决定何时开始搬运；丘脑的纺锤波（12-15 Hz）到达新皮层后触发突触可塑性变化，相当于为写入开门；海马体的尖波涟漪（150-250 Hz）则把白天编码的神经活动模式压缩重放，像快进回看一天的录像。三者的精确时序耦合不是随机噪声，而是一套信息传输协议。还有一个关键的化学条件：NREM 期间乙酰胆碱水平极低，海马体到新皮层的通信抑制被解除——这条通路在清醒时基本是关闭的。
另一派理论解释了“整理”的另一半。2003 年，Tononi 和 Cirelli 提出突触稳态假说（SHY），核心命题相当反直觉：睡眠是大脑为可塑性支付的代价。白天学习让大量突触被增强，能耗上升、信噪比下降、学习空间趋于饱和；睡眠中的慢波驱动全脑突触强度等比例下调，信噪比随之恢复，学习容量被重新释放。斑马鱼实验直接观察到了这个过程：突触在清醒期增加，在睡眠期减少，睡眠压力越大，减少越多。
可以这样说：白天的大脑像一块写满的黑板，睡眠不是把黑板全擦了，而是擦掉不重要的笔迹，保留关键的痕迹。而且擦除是有选择的——前额叶会在编码时给记忆打标签，未来有用的、带强烈情绪的、明确想记住的，会被优先巩固；纺锤波甚至特别偏向抢救那些编码较弱的重要记忆，差点被忘掉的东西，反而在睡梦里被加固了。
04 / MAPPING
把两个系统放在一起看
现在可以做对照了。清醒时的编码对应 Auto Memory 在会话中随手记笔记；海马体的快速暂存对应 Session Memory 与原始记忆文件；新皮层的结构化存储对应整理后的索引与 CLAUDE.md；NREM 的压缩重放对应收集信号阶段的离线回看；突触的等比例下调对应修剪与 200 行上限；而睡眠恢复学习容量，对应修剪后 context window 不再被噪声浪费。甚至触发机制都能对上：人类睡眠受昼夜节律与稳态驱动的双重调控，AutoDream 的门槛也是双重门控。
这种相似不是表面的巧合，至少有四个层面是结构性的。
第一，核心问题完全相同：如何在持续接收新信息的同时，保持已有知识的有效性。CLS 理论在 1995 年就指出，任何需要同时实现快速学习与结构化保留的系统，都必然需要两套互补机制——这不是大脑的专属方案，而是这类问题的必然结构。第二，策略选择一致。Anthropic 的工程师明确表达过一个判断，“write-time filtering is a harder problem than periodic consolidation”——写入时过滤比定期整理更难，所以选择先全记下来再定期清理；海马体的设计如出一辙，先全部快速记下，精细筛选交给睡眠。
第三，在线处理与离线整理在计算上冲突。大脑清醒时做不了重放，因为乙酰胆碱会抑制海马体到新皮层的通信；dream 也只能在会话间隙运行，你在用它写代码的时候，它无法同时整理记忆。第四，容量约束驱动修剪的逻辑一致：大脑是突触增强带来能耗上升与信噪比下降，所以必须修剪；Claude 是记忆膨胀浪费 token 预算、稀释注意力，所以必须修剪。连 200 行上限都像是突触强度的稳态基线——一个系统能稳定调用的记忆，本来就该有边界。
05 / HONEST LIMITS
诚实地说，类比有四个地方不成立
只挑支持自己观点的证据，不是深度内容该有的做法。认真对照之后，有四个地方我必须承认：类比在那里只是隐喻。
这个类比的四处边界
- 没有 REM 等价物。人类睡眠中最有创造性的部分——REM 阶段的自由探索与去情境化抽象——在 AutoDream 中没有对应。它是回顾性的清理，不是前瞻性的推理。
- 没有真正的突触可塑性。大脑的巩固涉及蛋白质合成、受体内吞、树突棘形态变化，是物理层面的重构；Claude 的巩固是文本文件的编辑。功能等价，机制完全不同。
- 没有情绪标签。大脑靠杏仁核标记“这件事情感上很重要”，纺锤波据此决定优先巩固什么；Claude 靠规则——这条与另一条矛盾、这条引用了已删除的文件——没有情感重要性这个维度。
- 没有再巩固。人类记忆每次被提取都会重新进入不稳定状态，这是记忆更新的底层机制；Claude 的记忆文件被读取，不会因此变脆弱。
其中 REM 的缺席最值得跟踪。UC Berkeley 与 Letta 团队在 2025 年的 Sleep-time Compute 论文，已经在探索利用空闲时间预推理未来查询，报告中准确率提升 18%——那更接近 REM 的功能。如果有一天整理系统开始向前看，这个类比会多出第五层结构相似。
06 / CONVERGENCE
不是模仿，是趋同进化
把这些放在一起，这篇文章最重要的判断可以说了。
AutoDream 与人类睡眠的相似，不是 Anthropic 在模仿大脑，而是面对“有限资源下持续学习”这同一个问题，碳基与硅基独立收敛到了相同的解。
进化生物学给这种现象起了名字：趋同进化。鸟的翅膀和蝙蝠的翅膀，内部结构完全不同，形状却几乎一样——不是一个抄了另一个，而是“在空气中飞行”这个问题的最优解空间就是那么窄。CLS 理论早在 1995 年就预言了这件事：任何需要同时做到快速学习与结构化保留的系统，无论碳基还是硅基，都需要一个快速写入层、一个慢速整理层，以及一个在两者之间搬运数据的离线过程。
大脑用海马体、新皮层和睡眠实现了它；Claude Code 用 Auto Memory、CLAUDE.md 和 AutoDream 实现了它。名字完全不同，结构几乎一样。Anthropic 把它命名为 dream 而不是 cleanup 或 maintenance，也许是有意识的致敬——但底层需求是真实的，独立于隐喻存在。
最后用一个比喻收束整理这件事的价值。球池里 100 个球，99 个蓝球，1 个粉球，你要找那个粉球。直觉的做法是倒进更多球，指望多出几个粉的；但球越多越找不到。正确的做法是先拿走一半蓝球，粉球自然就醒目了。AutoDream 删掉的过时笔记、矛盾记录、失效引用，就是那些被拿走的蓝球；你真正在意的关键偏好、项目规则、架构决策，则是浮出来的粉球。信息检索的真相不是多，而是少而关键。
它不是让 AI 记得更多，而是帮它忘得更聪明。
07 / COLLEAGUE
从工具到同事的分水岭
我对比过主流 AI 编码助手的记忆系统：大部分产品在“能记住”这一步就停了。GitHub Copilot 的做法是 28 天后一刀切过期，不管有没有用；Cursor 的 Memory Bank 是社区想出来的方案，不是产品原生能力。Claude Code 是目前唯一在系统层面设计了记忆整理环节的产品。
更大的背景是，2025 年 Anthropic 明确提出 context engineering 正在取代 prompt engineering：agent 的质量取决于 context 如何被结构化和管理，弱模型加好 context 可以打败强模型加差 context。AutoDream 本质上是 context engineering 的自动化——让 context 自己保持干净。一旦持久记忆与长时间运行的 agent 成为标准配置，驱动生物大脑进化出睡眠的那些压力——信息过载、噪声累积、容量饱和——会出现在所有 AI 系统里。它需要的不叫休息，叫周期性的离线整理；叫什么名字不重要，这个过程本身必然出现。
当然要说明现实边界：AutoDream 目前仍是实验功能，尚未正式发布，已知会写入未经验证来源的数字、缺少可审计的整理日志，产出仍需要人工审查。但它代表的方向清晰：一个会自己整理记忆的 AI，和一个只会执行指令的 AI，是两个物种。前者在你不在的时候也在学习；第二天你打开新会话，它不再模糊杂乱，而是直接进入状态——像一个昨天也在场的人。这是从 human-in-the-loop 到 human-on-the-loop 的转变。
碳基智能花了 6 亿年，进化出睡眠来解决持续学习的问题；硅基智能用了不到 3 年，独立走到了同一条路上。
这不是巧合，这是约束。当问题相同、约束相同时，解终将趋同——不管它叫 REM sleep，还是叫 dreaming。