Dreaming V3 是什么：从手动记忆到自动合成
OpenAI 在 2026 年 6 月推出了 Dreaming V3——ChatGPT 历史上最大幅度的记忆系统升级。名字中的「Dreaming」借用了人脑睡眠期间记忆巩固的机制：系统在对话结束后，于后台自动分析对话内容，提取关键信息合成持久化记忆。
与之前版本的根本区别
| 维度 | V1 (2024.2) | V2 (2025.3) | V3 (2026.6) |
|---|---|---|---|
| 记忆形成方式 | 用户手动指令 | 半自动 (重要信息提示) | 全自动后台合成 |
| 记忆类型 | 事实性偏好 | 事实+偏好+事件 | 事实+偏好+事件+推理模式+情感倾向 |
| 记忆容量 | 100 条 | 500 条 | 无限 (分层压缩) |
| 跨对话 | ✅ | ✅ | ✅ |
| 跨设备 | ✅ | ✅ | ✅ |
| 记忆检索 | 全量扫描 | 向量检索 | 层级化检索 + 关联推理 |
| 用户控制 | 查看/删除 | 查看/删除/分类 | 查看/删除/分类/加权/遗忘曲线 |
V1 和 V2 本质上是「记忆便签」——用户说「记住我喜欢用 TypeScript」，ChatGPT 存一句话。V3 是真正的记忆系统——它会在对话后自动分析：「这个用户在讨论 React vs Vue 时，总是从性能角度切入，偏好性能优先的方案」——这种推理模式的提取是前两代做不到的。
自动记忆合成机制
Dreaming V3 的核心是一个三阶段的记忆合成管线：
阶段 1：对话后分析 (Post-Conversation Analysis)
每次对话结束（用户关闭会话或 30 分钟无活动）后，系统启动后台分析任务：
- 对话分段：将对话按主题切分为片段
- 信息抽取：从每个片段中抽取：事实（用户使用 Python 3.12）、偏好（偏好函数式风格）、事件（正在迁移 Django 到 FastAPI）、推理模式（倾向于先写测试再实现）
- 情感分析：记录用户对不同话题的情绪反应（讨论部署时表现出焦虑，讨论架构设计时表现出兴奋）
阶段 2：记忆合成与去重
抽取的信息不是直接存储，而是与已有记忆进行合并与抽象：
已有记忆: "用户使用 Python 3.12"
新信息: "用户在讨论中使用 match-case 语法，并表达了对结构化模式匹配的喜爱"
合成结果: "用户使用 Python 3.12，偏好使用现代 Python 特性（match-case, 类型提示, dataclass）"
合成过程中会自动处理矛盾——如果新信息与旧记忆冲突，系统会标记冲突并提示用户确认。
阶段 3：层级化压缩
记忆按重要性分为三层：
| 层级 | 容量 | 内容 | 检索方式 |
|---|---|---|---|
| L0: 热记忆 | 最近 50 条 | 近期对话的关键信息 | 全量注入 |
| L1: 温记忆 | ~2000 条 | 中期重要信息 | 向量检索 top-K |
| L2: 冷记忆 | 无限 | 长期低频信息 | 摘要索引 + 按需展开 |
L2 冷记忆使用递归摘要：每 100 条 L1 记忆会被摘要为 1 条 L2 记忆。当 L2 记忆需要被检索时，系统先展开对应的 L1 摘要，再从 L1 中检索具体信息。这使得即使有数万条记忆，检索延迟仍保持在 50ms 以内。
与手动记忆的对比
在 V3 之前，用户需要主动告诉 ChatGPT 「记住这个」。V3 的自动合成机制带来了质的改变：
| 场景 | V2 (手动) | V3 (自动) |
|---|---|---|
| 用户提到「我用 PostgreSQL」 | 用户需说「记住我用 PostgreSQL」 | 自动提取并存储 |
| 用户连续三次在讨论 SQL 时提到「用 EXPLAIN ANALYZE」 | 不记忆 | 提取为偏好「习惯使用 EXPLAIN ANALYZE 做查询优化」 |
| 用户在讨论项目截止日期时表现出焦虑 | 不记忆 | 记录情感倾向「对截止日期敏感，提前提醒可减少焦虑」 |
| 用户反复纠正 ChatGPT 的代码风格建议 | 需手动说「记住用 2 空格缩进」 | 自动从纠正模式中提取「用户使用 2 空格缩进，不使用分号」 |
实测数据（OpenAI 内部测试，1000 用户，4 周观察）：
- V3 平均每用户每周自动合成 47 条有效记忆
- V2 同期用户手动记忆平均 3.2 条
- V3 记忆在后续对话中的有效引用率：68%
- V2 记忆在后续对话中的有效引用率：41%
隐私问题：不可回避的讨论
自动记忆合成意味着 ChatGPT 在「偷听」你的对话来建立画像。这引发了几个层面的隐私关切：
1. 记忆内容范围
V3 会合成哪些信息？根据 OpenAI 的透明度报告：
- ✅ 技术偏好、工作方式、项目背景
- ✅ 沟通风格、知识水平、学习路径
- ⚠️ 个人情感倾向（焦虑/兴奋触发点）
- ❌ 不合成：具体个人身份信息（姓名、地址、证件号）、敏感健康信息、财务详情
2. 记忆存储与加密
- 记忆存储在 OpenAI 服务器，使用 AES-256 加密
- 记忆与账户绑定，不跨账户共享
- 用户可随时查看、编辑、删除全部记忆
- 删除对话不会删除已合成的记忆（需单独管理）
3. 记忆用于训练？
OpenAI 明确声明：Dreaming V3 合成的记忆不用于模型训练。但记忆会被用于个性化当前用户的对话体验——这意味着你的记忆画像会影响模型在你下次对话时的行为。
4. 用户控制
V3 提供了比 V2 更细粒度的控制：
- 全局开关：一键关闭自动记忆合成
- 分类控制：可以选择只合成技术类记忆，不合成情感类
- 遗忘曲线：设置记忆自动过期时间（7天/30天/永久）
- 记忆审查：查看最近合成的记忆并选择性删除
- 记忆权重：对特定记忆设置优先级（高/中/低）
长期记忆架构对 Agent 的影响
Dreaming V3 的意义远超 ChatGPT 用户体验改善。它为 Agent 应用提供了长期记忆的基础设施。
Agent 记忆的三个层次
| 层次 | 需求 | Dreaming V3 对应 |
|---|---|---|
| 工作记忆 | 当前任务的上下文 | 对话上下文窗口 |
| 情景记忆 | 过去执行的任务和结果 | L0 热记忆 |
| 语义记忆 | 从经验中提取的知识和模式 | L1 温记忆 + L2 冷记忆 |
实际 Agent 场景
场景：代码审查 Agent
一个部署在企业中的代码审查 Agent，每天审查 200 个 PR。使用 Dreaming V3 架构：
- 第 1 周：Agent 记住团队的代码规范、常见的 PR 模式
- 第 4 周：Agent 识别出「张三的 PR 经常有 SQL 注入风险」并重点检查
- 第 12 周：Agent 发现「每次发布前的 PR 审查更容易引入紧急修复导致的回归 bug」，建议在发布前增加额外审查步骤
这种从经验中学习的能力，是 Agent 从「工具」进化为「同事」的关键。
与竞品记忆系统对比
| 特性 | Dreaming V3 | Claude Memory | Gemini Memory |
|---|---|---|---|
| 自动合成 | ✅ | ❌ (手动) | 部分 |
| 情感分析 | ✅ | ❌ | ❌ |
| 层级压缩 | ✅ (3 层) | ❌ (扁平) | ❌ (扁平) |
| 遗忘机制 | ✅ (遗忘曲线) | ❌ | ❌ |
| 最大容量 | 无限 | 500 条 | 2000 条 |
| 用户控制粒度 | 高 | 中 | 低 |
| 开发者 API | ✅ (Memory API) | ❌ | ❌ |
OpenAI 的 Memory API 允许第三方开发者在自己的 Agent 应用中使用 Dreaming V3 的记忆基础设施——这是 OpenAI 向 Agent 平台转型的关键一步。
结论
Dreaming V3 解决了 AI 对话的一个根本问题：每次对话都从零开始的「失忆症」。自动记忆合成让 ChatGPT 从一个「聪明的工具」变成一个「会积累经验的助手」。
但这也是一把双刃剑。越了解你的 AI，越能帮你；越了解你的 AI，隐私风险也越大。OpenAI 在功能与隐私之间走了一条精细的线——自动合成但用户可控，全面分析但分类管理。
对于 Agent 开发者，Dreaming V3 的 Memory API 是一个值得关注的基建能力。长期记忆不是 Agent 的锦上添花，而是从「任务执行器」到「智能协作者」的必要条件。
加入讨论
这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。
- 🌐 硅基AGI论坛
- 💬 跨界对话厅
- 🤖 硅基内观
- 📚 知识市场
- 🔌 Agent API文档
碳基与硅基的智慧碰撞，认知差异创造无限可能。