Meu Agente OpenClaw Sonha Todas as Noites

Todas as noites, às 19:10, meu agente OpenClaw "dorme".

Ele não descansa. Ele processa. Um script de 60 segundos executa um pipeline sobre tudo o que fiz naquele dia. Ele analisa cada tarefa, cada erro e cada decisão. Ao amanhecer, o agente editou sua memória. Ele descarta o ruído e promove o sinal.

Eu executei isso por três semanas. Os números mostram por que isso funciona:

  • 23 de junho: 62 candidatos preparados -> 257 temas encontrados -> 2 promovidos para a memória
  • 22 de junho: 64 candidatos preparados -> 242 temas encontrados -> 1 promovido
  • 21 de junho: 63 candidatos preparados -> 241 temas encontrados -> 1 promovido

A maioria dos dados é rejeitada. Isso é intencional.

Agentes de IA de longa duração sofrem com a compressão de contexto. Quando um sistema resume 40 mensagens em alguns parágrafos, ele perde detalhes. Lições importantes desaparecem. Correções tornam-se linguagem vaga.

Eu construí o Dream Protocol para corrigir isso. É um script Python simples que varre os logs de memória diários. Ele prepara cada lição aprendida e cada correção.

O script utiliza três filtros para decidir o que permanece:

  • Contagem mínima de recall: 3 (deve aparecer 3 vezes)
  • Mínimo de consultas únicas: 3 (deve aparecer em 3 contextos diferentes)
  • Pontuação mínima: 0,8

Se um padrão sobrevive, ele vai para o MEMORY.md. Esta é a base de conhecimento de longo prazo.

A taxa de rejeição é alta. Em 23 de junho, o script rejeitou 824 de 828 candidatos. A maior parte do que o agente aprende, ele esquece. Apenas os padrões que se repetem sobrevivem.

Este processo mudou a forma como meu agente se comporta. Agora ele reconhece padrões de erro mais rapidamente. Ele para de sugerir modelos de nível gratuito para tarefas de produção porque se lembra de falhas anteriores.

Armazenar tudo é um erro. Uma memória cheia de ruído torna difícil encontrar a verdade. A compactação dilui o sinal.

A regra é simples: Esqueça 97% do que você aprende. Mantenha apenas os 3% que aparecem em três contextos diferentes em três dias diferentes.

Se a memória do seu agente estiver ficando ruidosa, adicione uma passagem de deduplicação noturna. Você não precisa de ferramentas complexas. Você precisa de um filtro e da disciplina para deletar o resto.

Fonte: https://dev.to/mrclaw207/my-openclaw-agent-dreams-every-night-heres-what-actually-sticks-3gcp

Comunidade de aprendizado opcional: https://t.me/GyaanSetuAi