OpenClaw added “dreaming” for AI agents and brought them closer to digital employees

OpenClaw добавила в своих AI-агентов режим «сновидений», который запускается по расписанию и превращает дневные заметки в долговременную память. Идея выглядит как эффектная метафора, но по сути это шаг к агентам, которые не просто отвечают на запросы, а накапливают опыт и меняют поведение со временем.

Почему память важна

Главная слабость большинства AI-агентов до сих пор была очень человечески неприятной: амнезия после каждой сессии. Модель умеет решать задачу, но не помнит, что происходило вчера, какие решения уже сработали, какие предпочтения есть у пользователя и какие ошибки лучше не повторять. Разработчики обходили это костылями — подсовывали старые диалоги в контекст, хранили заметки во внешних базах, собирали длинные системные промпты с инструкциями про стиль, тон и историю работы.

Проблема в том, что такой подход плохо масштабируется. Контекстные окна у моделей становятся всё больше, но рабочая история агента растёт быстрее. Если агент помогает неделями или месяцами, его нельзя каждый раз «пересобирать» из сырых логов.

В этом смысле память перестаёт быть дополнительной функцией и становится обязательным слоем инфраструктуры. Поэтому автор статьи рассматривает «сновидения» OpenClaw не как красивый UX-трюк, а как признак более важного сдвига: агенты начинают сохранять состояние между сессиями и вести себя не как одноразовый инструмент, а как постоянный цифровой помощник.

Как устроены «сны»

В OpenClaw механизм dreaming разбит на три стадии, вдохновлённые тем, как обычно описывают человеческий сон. Ночью агент просматривает всё, что узнал за день, и отбирает кандидатов для долговременной памяти. Затем он оценивает каждый фрагмент по полезности, новизне и повторяемости. После этого в постоянную память попадает только то, что прошло порог важности, а остальное остаётся в оперативных заметках и со временем теряет вес.

• На стадии «лёгкого сна» агент ищет повторяющиеся факты, пользовательские предпочтения и решения, которые повлияли на дальнейшую работу.
• На стадии «глубокого сна» он фильтрует шум и проверяет, действительно ли находка важна для будущих задач.
• На стадии REM агент переносит выжившие наблюдения в постоянную память.
• Итог сохраняется в файле dreams.md — это не дамп логов, а короткая текстовая выжимка знаний. Такой подход отличается от обычной подгрузки истории тем, что агент сам курирует свою память. Ему не нужно каждый раз получать полный архив переписки или ждать, пока разработчик вручную разметит важные инсайты. В статье это описывается как момент, когда агент «просыпается чуть умнее, чем вчера»: не из-за новой модели, а из-за более качественной работы с накопленным опытом.

«ИИ-агенты, которые всё забывают, — игрушки.

ИИ-агенты, которые помнят и учатся, — сотрудники».

Зачем это бизнесу

Если память работает стабильно, меняется и класс задач, которые можно доверить агенту. Stateless-агент хорош для разовых операций: ответить по шаблону, заполнить форму, собрать базовую сводку, выполнить короткий ресерч. Агент с долговременной памятью уже может учитывать контекст прошлых решений, подстраиваться под стиль команды, помнить, какие эксперименты дали результат, а какие провалились.

Для маркетинга это означает накопление знаний о кампаниях, для контента — постепенное обучение голосу бренда, для исследований — возможность строить новые выводы поверх предыдущих находок, а не начинать каждую задачу с нуля. Автор связывает эту эволюцию с переходом от «ассистентов» к «цифровым сотрудникам». Разница здесь не в громком названии, а в способности удерживать институциональную память: знать, как в компании принято оформлять результат, какие ограничения уже выявлены и почему раньше было принято то или иное решение.

Это особенно важно для соло-разработчиков и маленьких команд, где агент постепенно становится не окном чата, а фоновым процессом, который следит за лентами, пишет контент, помогает с расписанием и ежедневно отчитывается о проделанной работе. Но вместе с пользой приходят и новые инженерные риски. Устаревшие воспоминания могут мешать, если пользователь уже передумал, а агент продолжает опираться на старые настройки.

Галлюцинации становятся опаснее, когда неверный факт попадает в долговременную память и начинает восприниматься как истина. Появляется и вопрос приватности: чем дольше агент помнит, тем подробнее профиль пользователя он хранит. Поэтому следующая задача рынка — не просто научить агентов помнить, а дать им механизмы забывания, проверки фактов и безопасного управления памятью.

Что это значит

История с dreaming у OpenClaw показывает, куда движется рынок AI-агентов: от генерации ответов к управлению опытом. Победят не те системы, у которых просто больше контекстное окно, а те, которые умеют отделять важное от шума, обновлять знания и помнить ровно столько, сколько нужно для полезной работы.