Dreaming 是近期在 AI 智能体与对话系统中出现的一类离线记忆整理机制，它让模型在空闲时像"做梦"一样回放、压缩并重组交互历史，从而在不增加推理成本的前提下提升跨会话的上下文保持能力。它并非单一产品，而是 OpenAI 与 Cognition 等公司在记忆架构上先后采用的设计思路，目前正处于从实验特性走向产品默认能力的位置。
Dreaming 近期进展
算力降至 1/5 是 OpenAI 这轮升级中最受关注的数字。OpenAI 升级 ChatGPT 记忆系统：算力降至 1/5，瞄准过时与错误两大痛点 报道称，新版系统把记忆的提炼与更新从实时对话中剥离，改为后台批处理，因此成本大幅下降。其核心逻辑是让模型自动识别哪些用户信息已经过时、哪些曾被记错，并在下一轮对话前完成修正。这与早期只做简单事实存档的方案相比，更像一套带清理和合并策略的数据库维护流程。
Cognition 则把这套思路用在编码智能体 Devin 上。Cognition 为 Devin 推出 Dreaming：跨会话自动整理记忆图谱 提到，Devin 会在夜间离线运行，把白天积累的碎片化经验整理成结构化记忆图谱。公司随后补充说明，这些图谱会跨会话复用，使 Devin 在接手相似任务时不必从零理解项目背景。Cognition 介绍 Devin 的记忆与 dreaming 机制 进一步解释了记忆写入与检索的分工，而 Cognition 推出 Devin "Dreaming"：夜间离线清理智能体记忆 则强调"清理"这一动作，即删除低价值或冲突条目，避免记忆库随时间膨胀失真。
在 ChatGPT 侧，ChatGPT 推出记忆合成系统 Dreaming V3，实现自主回忆 提到版本已迭代到 V3，重点从被动检索转向自主回忆；OpenAI 升级 ChatGPT 记忆系统"Dreaming"，自动提炼更新用户信息 也印证了自动提炼与更新是这一版的主线。官方说明见 ChatGPT 推出"梦境"记忆系统，提升跨对话上下文保持能力。
当前焦点与观察点
围绕 Dreaming 的讨论集中在两个方向。一是记忆的准确性边界：后台整理减少了算力开销，但一旦把错误信息固化进长期记忆，纠正成本可能高于实时遗忘。二是隐私与可控性，用户能否查看、编辑或删除"梦"出来的记忆条目，目前各家产品给出的答案并不一致。此外，arXiv 上已有关于评估感知潜变量的研究，提示记忆系统本身也可能被评测方式影响，这一点值得后续跟踪。