🌙 记忆梦境引擎 · Memory Dream Engine
你的 AI 聊完就忘，不是它笨 —— 是它从来不做梦。
一个可插拔的「AI 睡眠系统」：采集 → 评分 → 写入 → 优化 → 发芽，每 3 小时自动跑一轮。 零 LLM 成本、纯标准库、~1300 行 Python、20/20 单元测试通过。
🤔 你大概率遇到过这三种情况
| 症状 | 真实原因 |
|---|---|
| 「我上周明确说过不要这样，你怎么又忘了？」 | 记忆只在当次对话里，从不沉淀 |
| memory 越写越满，快撑爆上限，但不敢删 | 没有衰减机制，不知道哪条该淘汰 |
| 攒了一堆零散结论，没人把它们变成产出 | 采集和产出之间断了一环 |
梦境引擎就是补这三环的。
🧠 它怎么工作 —— 像人一样睡觉
┌─ 浅睡 ── SignalCollector 采集四维信号（决策 / 纠偏 / 工具 / 灵感）
│
一轮 ───┼─ 深睡 ── SignalScorer 三维动态评分（按信号类型自适应调权）
(180min)│ MemoryWriter 去重 + 合并 + 替换，声明式写入
│
└─ REM ── SproutDetector 3 条 → 星球帖 / 5 条 → 公众号文章
▲
MemoryOptimizer 每 3 轮深度清理（去重 / 过期 / 压缩）
⚡ 四个「别人没有」的点
| 能力 | 说明 |
|---|---|
| 零 LLM 事实提取 | 纯正则，中英文通吃，提取一万条也不花一分钱 token |
| 艾宾浩斯衰减 | 30 天半衰期，高频访问自动增强，低强度自动归档 —— 记忆会自己「瘦身」 |
| 三维动态评分 | 决策信号看持久度、纠偏信号看纠偏度、工具信号看复用度，不是一把尺子量到底 |
| 内容发芽 | 同一批记忆攒够了，自动提示「这批可以出一篇公众号了」 |
🆚 和溯忆(Suyi)比
溯忆是被动存储，梦境引擎是主动生长：
| 特性 | 梦境引擎 | 溯忆 |
|---|---|---|
| 艾宾浩斯衰减 | ✅ | ✅ |
| 零 LLM 提取 | ✅ 中英文 | ⚠️ 仅英文 |
| 五阶段流水线 | ✅ | ❌ |
| 四维信号采集 | ✅ | ❌ |
| 三维动态评分 | ✅ | ❌ |
| 内容发芽 | ✅ | ❌ |
| Token 节省追踪 | ✅ | ❌ |
| 三方依赖 | 零 | 需向量库 |
🚀 60 秒跑起来
git clone https://gitee.com/savantcat/memory-dream-engine.git
cd memory-dream-engine
# 依赖为零；只有跑测试才需要 pytest
python -m pip install -r requirements.txt
# 看演示（用内置 mock 适配器，不需要接任何框架）
python cli.py
想看核心能力，直接跑引擎自带的 v3 演示：
python engine.py
🔌 接入你自己的 Agent
引擎不绑定任何框架，只需实现三个适配器函数：
from engine import DreamEngine
def my_session_search(query, limit, sort):
"""换成你框架的搜索接口"""
return [{"content": "...", "role": "user"}]
def my_memory(action, target, content, old_text=None):
"""换成你框架的记忆写入接口"""
return {"status": "ok"}
def my_get_usage():
"""返回 (已用字符数, 总字符数)"""
return (1500, 2200)
engine = DreamEngine(
session_search_fn=my_session_search,
memory_fn=my_memory,
get_usage_fn=my_get_usage,
)
report = engine.dream(days_back=2, existing_memories=[...])
print(report.summary())
⚠️ 文档澄清：早期版本的 README 里出现过「编辑
.env配置SESSION_SEARCH_FN/MEMORY_FN」的说明， 那是错的 —— 引擎从不读取任何环境变量。接入方式只有上面这一种：传 Python 函数。
🔌 作为 MCP 服务调用
server.py 把引擎包成标准 MCP server —— 别人的 Agent 可以直接调这几个工具，不必接适配器、不必读源码。
pip install "mcp>=2.1"
python server.py # 本地 stdio（Claude Desktop / Cursor / 任意 MCP 客户端）
python server.py --transport http --port 8770 # 远程 streamable-http
python server.py --selftest # 不走协议，直接遍历打全部工具
| 工具 | 作用 |
|---|---|
extract_facts | 零 LLM 事实提取（纯正则，中英文通吃） |
score_signal | 三维动态评分 + 该不该写进长期记忆的结论 |
decay_report | 艾宾浩斯衰减：当前强度 / 访问增强 / 归档判定 / 完整曲线 |
simulate_dream | 用一段文本跑完整五阶段梦境周期，返回报告（临时库） |
list_signal_types | 四维信号定义、权重与打分关键词 |
engine_info | 能力概览、与同类方案的取舍对比、服务边界 |
客户端配置（stdio）：
{ "mcpServers": { "memory-dream-engine": { "command": "python", "args": ["server.py"] } } }
服务端为纯计算、纯读：6 个工具的四个 annotation hint 全部声明（readOnlyHint=true / destructiveHint=false / idempotentHint=true / openWorldHint=false），不需要 API Key，也不保存调用方的任何数据 —— simulate_dream 在临时库跑完即销毁。
⏰ 定时运行（Hermes Agent）
schedule: every 180m
skills: ["memory-dream-engine"]
prompt: 执行记忆梦境引擎五阶段流程。无新发现输出 [SILENT]。
⚠️ 必读：Cron 环境写不了 Memory（最大的运维坑）
多数 Agent 框架的 cron 子进程没有 memory 工具权限，会导致阶段 3（写入）和阶段 4（优化）静默失败 —— 引擎照常采集和评分，但 ≥70 分的条目会持续积压。
症状：报告反复出现「阶段3：写入 — 受阻」，同一批高分记忆连着几轮都没写进去。
做法：每跑 3 轮 cron，安排一次交互式会话手动补写阶段 3+4；memory 占用到 95% 时立即执行清理。
📁 项目结构
engine.py 691 行核心引擎（五阶段 + 衰减 + 零LLM提取 + SQLite）
server.py MCP 服务端（6 个工具，双通道 stdio / streamable-http）
server.json MCP 元数据（官方 Registry 格式）
cli.py 命令行入口 + 三个适配器示例
nightbrain_consolidate.py 可选：夜间知识库巩固（扫描新知/标记陈旧/更新索引）
SKILL.md Hermes Agent 集成指南
部署指南.md 两种部署方式 + FAQ
tests/ 20 个单元测试（8 引擎 + 12 工具层）
🧪 测试
python -m pip install "mcp>=2.1" pytest
python -m pytest tests/ -q # 20 passed
不想装 pytest 也能自测（仓库自带 stdlib runner）：
python tests/test_engine.py # 8 passed, 0 failed
覆盖范围：test_engine.py 测引擎内核（评分 / 五阶段流水线 / 采集上限），
test_tools.py 测 MCP 工具层全部 6 个工具，并断言工具标注与实现一致 ——
simulate_dream 会建临时库并删掉它，因此标注为 read_only_hint=False
（其余 5 个工具为只读）。这条断言是回归门：谁也不许再把写盘的工具标成只读。
测试为 pytest 风格（裸 assert +
setup_method夹具），不兼容unittest discover。 夹具名必须是setup_method—— pytest 8 已移除旧的setup约定。 自带 runner 也据此调用setup_method（早先它查的是setup，导致全部用例 报AttributeError、8/8 的结论其实没被真正验证过，已修）。
📄 License
MIT — 自由使用、修改、分发。
👤 作者
合尘猫 · 一个人 + 一个 AI 分身的 AI 落地实践 —— 知识库 · AI 客服合规 · 内容自动化。
- 🏠 更多作品与实战记录：https://savantcat.cn
- 🐙 全部开源仓库：https://gitee.com/savantcat
如果这个引擎帮你的 AI 真正"记住"了什么，给个 ⭐ 就是最好的反馈。
记忆不是越多越好，而是越「活」越好。