dreaming

核心用法

dreaming 是一个为 AI Agent 设计的"梦境模式"技能，旨在将传统的空闲心跳（HEARTBEAT_OK）转化为有意义的创意探索时间。其核心机制通过 should-dream.sh 脚本实现：在配置的安静时段（默认 23:00-07:00）内，脚本会检查当前时间、夜间梦境上限和随机概率，若条件满足则返回一个探索主题，触发 Agent 进行自由联想式思考，并将输出写入 memory/dreams/YYYY-MM-DD.md 文件供人类次日回顾。

使用流程分为三步：首先配置 scripts/should-dream.sh 中的安静时段和主题数组，或创建 data/dream-config.json 进行外部化配置；其次创建必要的目录结构 data// 和 memory/dreams//；最后在 HEARTBEAT.md 中添加梦境模式检测逻辑，当脚本返回 DREAM:topic 时执行创意写作任务。

显著优点

该技能的最大价值在于将 AI 的空闲时间转化为可沉淀的知识资产。与被动等待指令不同，dreaming 让 Agent 在夜间进行"自主思考"，产生假设推演、跨领域联想、战略反思等高质量内容，次日以"梦境日记"形式呈现给用户，创造类似人类灵感记录的惊喜体验。

设计上体现了良好的可配置性与非侵入性：主题完全可定制，支持从未来推演到创意发想等六大默认类别；状态与配置分离，技能更新不会覆盖用户自定义内容；概率和数量上限可调，避免过度占用计算资源。此外，纯本地文件操作、无网络依赖的特性使其具备极佳的隐私性和离线可用性。

潜在缺点与局限性

首要局限是效果高度依赖底层模型能力。脚本本身仅提供主题触发机制，实际的"梦境"质量完全取决于 Agent 的创意写作水平，若模型缺乏深度思考能力，输出可能沦为空洞的填充内容——而技能文档也坦诚建议"若无话可说则跳过"。

其次是调度机制的粗糙性。基于心跳检测的概率触发缺乏精确的时间控制，在分布式或容器化环境中可能因时钟不同步产生意外行为；dreamChance 的随机性也意味着用户无法预测何时会收到梦境日志，可能影响使用预期。

此外，长期状态管理存在隐患。data/dream-state.json 的简单 JSON 结构在并发场景或异常中断时可能损坏，且缺乏日志轮转机制，长期运行后文件体积可能膨胀。

适合的目标群体

该技能最适合知识工作者、创意从业者和长期项目管理者：研究人员可利用夜间推演假设场景；产品经理可进行战略层面的自由联想；作家和设计师能获取跨领域的意外灵感。对于运行个人 AI 助手的用户，dreaming 提供了一种"让 AI 在睡觉时也在为我工作"的仪式感体验。

不适合追求确定性输出的场景，或资源受限、需要严格预测计算成本的企业环境。

使用风险

依赖项风险：必须预装 jq 和 python3，在精简容器中可能缺失；路径风险：依赖 WORKSPACE 环境变量正确定义，错误配置可能导致文件写入意外位置；存储风险：长期积累的梦境文件若无清理机制，将持续占用磁盘空间；模型成本风险：每次梦境触发都消耗 Token，高频率配置可能产生意外费用。