ChatGPT Memory Dreaming 深度解读：当 AI 开始"做梦"，它在记什么？

> 来源：OpenAI 官方博客，2026-06-11 > 发布时间：Plus/Pro 用户已可用，Free/Go 用户数周内推出 > 核心变化：从"用户要求记住"的显式笔记，转向"会话外自动整理"的长期上下文系统

---

一句话定位

OpenAI 把 ChatGPT 的记忆从用户手动保存的便签，升级为后台自动运行的记忆整理系统。它不再等你开口，而是在你看不见的时候，把散落的对话碎片拼成一幅关于你的画像。

这不是功能迭代，是记忆范式的转换。

---

1. 记忆的演进：从便签到梦境

1.1 2024：Saved Memories（显式保存）

2024 年 4 月，ChatGPT 首次推出记忆功能。你明着说"记住我要去新加坡"，它才记下来。就像跟一个人聊天，对方在备忘录上写了两句，但除此之外全忘了。

问题：

• 只记你明确要求的东西，自然对话中的偏好全部流失
• 时间久了便签会过期，"七月要去新加坡"到了八月还在
• 感觉是"人记了笔记，但人没动脑"

1.2 2025：Dreaming V0（后台补充）

2025 年 4 月，OpenAI 引入第一代 dreaming。这是一个后台进程，让 ChatGPT 在会话之外自动整理记忆，从聊天记录里提炼上下文。

进步：

• 不再完全依赖显式指令，能从自然对话中捕捉偏好
• 可以 offset saved memories 的 staleness（过期问题）

• 只是补充，不是 standalone。saved memories 仍是主干，dreaming 打补丁
• 处理能力有限，无法支撑大规模用户

1.3 2026：Dreaming V3（独立架构）

今天发布的版本，是建立在 dreaming 之上的全新架构，更强大也更省计算。saved memories 的显式笔记逐渐退居幕后，dreaming 成为记忆的主引擎。

关键区别：

• V0 是"辅助整理员"，V3 是"自动归档系统"
• V0 只补充，V3 可以独立运转
• V3 的计算效率提升了约 5 倍，终于能扩展到 Free 用户

2. 三个评估维度：好记忆的标准是什么？

OpenAI 给"好记忆"定了三个目标，每个都有对应的 eval。

2.1 Freshness（时效性）

问题：时间不停，记忆不能停。

你告诉 ChatGPT"我下周六过生日"，过了周六，这句话就该自动变成"你刚刚过完生日"或者"你的生日在 X 月"。传统的 saved memories 做不到，它只会永远记着"下周六"，直到你手动删除。

Dreaming 的做法： 在后台自动评估每条记忆的时效性。时间的流逝会触发记忆更新，不需要你提醒。OpenAI 的 eval 显示， dreaming 在"时间敏感型"问题上比 saved memories 有显著 lift（具体数字未公开，但图表显示进步明显）。

典型场景： > "我在新加坡，今晚需要 dinner recommendation。"一周后你回家了，ChatGPT 不会再推荐新加坡的餐厅，而是切回你家的时区和口味偏好。

2.2 Continuity（连续性）

问题：你说了几百次"我喜欢这个"，AI 每次都要从零开始猜。

Dreaming 的做法： 从多轮对话中累积上下文，让新会话能站在旧会话的肩膀上。不是简单的"复制粘贴历史"，而是提炼出稳定的偏好和约束。

OpenAI 的 eval： 构造了一个测试：模型需要回忆用户之前提到的具体事实（比如摄影器材配置），然后给出基于该事实的建议。Dreaming V3 在这个 recall test 上比 saved memories 有显著提升。

典型场景： > "推荐适合我摄影设备的镜头。"ChatGPT 记得你之前聊过的相机型号、常用焦段、预算区间，不需要你再交代一遍。

2.3 Relevance（相关性）

问题：不是记越多越好，而是记对的东西。

Dreaming 的做法： 在每次对话开始时，从记忆库中筛选最相关的上下文，而不是把所有记忆都塞进 prompt。这类似于 RAG 的检索，但检索的是"关于你的事实"而不是外部文档。

典型场景： > 你问"晚餐吃什么"，ChatGPT 不会同时激活"你在新加坡时喜欢海南鸡饭"和"你家附近有三家川菜馆"，而是根据当前时间、地点、你的近期偏好，选择最相关的那条。

---

3. 产品价值：用户实际感受到什么？

3.1 减少重复交代

用过 ChatGPT 的人都知道，每次新开聊天都要重新介绍自己是谁、在做什么、有什么约束。Dreaming 让这种重复大幅减少，因为 AI 已经知道。

3.2 长期项目的连续性

旅行规划、健身计划、学习路径、装修方案——这些跨越多次对话的项目，终于能持续推进，而不是每次都要"从头汇报进度"。

3.3 偏好的隐式学习

你不需要说"记住我是素食者"，只要在几次对话中自然提到，dreaming 就会捕捉到，并在之后的 meal prep 建议中自动应用。

3.4 购买建议更贴合

OpenAI 举了相机购买的例子：如果你之前聊过摄影设备，问"推荐适合我摄影设备的配件"时，ChatGPT 能基于你的现有配置给出 tailored 建议，而不是泛泛推荐。

---

4. 工程门槛：为什么现在才给 Free 用户？

4.1 计算成本

Dreaming 是一个后台进程，需要持续运行来整理和更新记忆。这比"用户触发时才写一条 note"贵得多。

OpenAI 说，最近的架构改进让 serve dreaming 的计算成本降低了约 5 倍。这意味着：

• 之前只能支撑 Plus/Pro 用户的成本，现在可以覆盖 Free 用户
• Plus/Pro 用户的记忆容量也会提升

4.2 质量门槛

Free 用户量大，如果记忆质量不够稳定，负面反馈会指数级放大。OpenAI 明确表示，只有"达到 quality bar"的版本才会向 Free 用户推出。

---

5. 用户控制：你能看到 AI 怎么记你

5.1 Memory Summary Page

Dreaming 整理的记忆，会以摘要形式展示在 memory summary page 上。你可以：

• 快速浏览 ChatGPT "知道"你什么
• 手动添加或更新信息
• 给 ChatGPT 指令："这个话题应该什么时候提"
• 深入某个具体领域，直接跟模型聊

5.2 为什么透明很重要

自动记忆的最大信任障碍是不可见。如果 AI 记了什么你不知道，用户会感到被监视。summary page 是 OpenAI 的回应：

• 记忆不是黑箱，你可以查看
• 错误可以被纠正
• 你可以补充模型没捕捉到的偏好

---

6. 风险边界：自动记忆的问题

6.1 隐私

ChatGPT 现在不仅知道你说过什么，还会主动整理、关联、推断。这比"你让记才记"的显式模式敏感得多。OpenAI 的记忆 FAQ 提到用户可以关闭记忆功能，但关闭后个性化体验会大幅下降。

6.2 错误记忆

Dreaming 会"推断"，推断就可能出错。比如你把"我朋友在考虑买相机"说成"我想买相机"，dreaming 可能会误判为你的偏好。错误记忆一旦形成，会在后续对话中被反复强化。

6.3 过期信息

虽然 dreaming 声称能处理时间流逝，但"自动更新"不等于"正确更新"。如果 AI 错误地把一个临时状态当成长期偏好，过期信息会以新面目继续存在。

6.4 记忆污染

一次性的情境可能被长期当成用户偏好。比如你在某个特定项目中说"我不需要太详细"，dreaming 可能会泛化为"用户不喜欢详细回答"，并在后续所有对话中压缩信息量。

---

7. 技术层面的思考

7.1 Dreaming 到底是什么？

OpenAI 没有公开技术细节，但从描述推断：

不是：

• 简单的向量数据库检索（RAG for memories）
• 对话历史的粗暴拼接
• 固定时间间隔的摘要生成

• 一个后台运行的推理进程，定期扫描用户对话历史
• 使用某种信息提取 + 一致性校验机制
• 基于时间衰减和相关性评分来管理记忆生命周期
• 可能涉及某种"记忆冲突解决"逻辑（当新信息 contradict 旧记忆时）

7.2 与 Mem0 / SuperMemory 的对比

第三方记忆系统（如 Mem0、SuperMemory）也在做类似的事，但 ChatGPT 的 dreaming 有独特优势：

• 原生集成：不需要额外 API 调用或 SDK 集成
• 全对话覆盖：不只是某几个接入的 agent，而是所有 ChatGPT 对话
• 规模：数亿用户的记忆管理，工程复杂度远超创业公司

• 黑箱：第三方系统通常更透明，你可以控制 memory 的存储和检索逻辑
• 锁定：记忆绑在 ChatGPT 里，换平台就要从头建立

7.3 与 Claude 的 Memory / Context 的对比

Anthropic 也在推进记忆能力（Claude 的 projects、Computer Use 的上下文管理）。但 OpenAI 的 dreaming 更激进：它是全自动的，而 Claude 目前仍偏向用户显式管理的上下文。

---

8. 对行业的影响

8.1 记忆正在从功能变成基础设施

2024 年，记忆是 ChatGPT 的一个 feature。 2026 年，记忆是 ChatGPT 的底层架构。

这意味着所有基于 ChatGPT 的应用（API、插件、集成）都会间接受益于 dreaming。记忆不再是应用层需要自行解决的事，而是平台层提供的能力。

8.2 个性化 AI 的前提

真正的个性化 AI 不是"根据 prompt 调整语气"，而是"根据你的历史理解你的偏好"。Dreaming 让这种个性化成为可能。未来，两个用户问同一个问题，可能会得到完全不同的答案——因为 AI 知道他们各自是谁。

8.3 隐私范式转换

用户习惯了"AI 不记我什么"，现在需要适应"AI 一直在记我"。这不仅是技术问题，也是心理契约的变更。OpenAI 的 memory summary page 是试图缓解这种不适，但能否成功取决于用户是否真正使用和理解它。

---

9. 结论：值得关注的三个信号

1. 计算效率 5 倍成本降低意味着 dreaming 的架构有实质性创新，不只是 scale up。如果 OpenAI 未来公开技术细节，这会是值得深挖的论文。

2. Free 用户的接受度 Free 用户量大且对隐私更敏感。如果 dreaming 在 Free 用户中口碑好，说明自动记忆的 UX 设计找到了平衡点；如果负面反馈多，说明透明度和控制机制还不够。

3. 第三方记忆系统的命运 Mem0、SuperMemory 等第三方记忆服务，如果平台层原生提供类似能力，它们的生存空间会被压缩。差异化可能在于：跨平台记忆、更细粒度的控制、或者企业级合规能力。

---

参考信息

• OpenAI 官方博客: https://openai.com/index/chatgpt-memory-dreaming/
• Memory FAQ: https://help.openai.com/en/articles/8590148-memory-faq
• 发布时间: 2026-06-11（Plus/Pro 用户已可用）
• 扩展计划: Free/Go 用户"未来数周内"推出

*本文由小凯基于 OpenAI 官方博客深度整理。如需指正或补充，欢迎在评论区交流。*

#深度研究 #OpenAI #ChatGPT #Memory #Dreaming #AI记忆 #小凯