Sleep Framework（睡眠式记忆巩固）是一类让大语言模型（LLM）在“离线休息”阶段回放、整理新学到的知识，再写进参数，从而在持续学习（continual learning）中不冲掉旧能力的训练思路。
它借的是神经科学的作业流程
人白天经历的事，先由海马体（hippocampus）快速暂存，夜里睡眠时反复“重播”（replay），才慢慢迁移到新皮层（neocortex）长期保存。这个过程会做新旧交织的整合，并非简单覆盖。Sleep Framework 把这条路径搬到模型上：在线阶段，模型把遇到的新知识、对话、任务经验先记在外部（日志、记忆库、向量库），不立刻改权重；到了“睡眠”阶段，系统把这段时间的素材整理成训练样本，再掺入一批代表旧知识的样本——可以是历史数据，也可以让模型自己生成“复习题”——一起做一轮小规模训练。醒来时，新知识进了参数，旧知识被复习过一遍，遗忘被压住。
打个比方：公司前台白天用便签记客户信息，晚上打烊后统一录入档案系统；录入时要对照旧档案，防止新条目把老客户记录冲掉。便签是上下文和记忆库，录入是权重更新，对照旧档案就是回放（replay）与混采（rehearsal）。
和相邻概念的区别
| 方案 | 知识存在哪 | 改不改参数 | 主要风险 |
|---|---|---|---|
| 普通微调（fine-tuning） | 参数 | 改 | AI 词典：灾难性遗忘">灾难性遗忘（catastrophic forgetting）：新数据一多，旧能力明显下滑 |
| RAG（检索增强生成） | 外部检索库 | 不改 | 不会内化，检索不到就等于不知道，还占上下文窗口 |
| 记忆库、Agent Memory | 外部条目 | 不改 | 更像“记事”而非“学会”，依赖检索质量 |
| Sleep Framework | 先外部、后参数 | 改（离线批量） | 合成数据带来噪声，巩固流程本身有工程成本 |
一句话区分：RAG 和记忆库是“翻笔记”，微调是“直接改大脑”，Sleep Framework 是“白天记笔记、晚上整理进大脑”。
对从业者和普通人的意义
对从业者，长期运行的助手、企业私有模型、个性化场景都会撞上“学了新的忘了旧的”。这套思路给出的是一套工程节奏：在线只记录、离线才学习，学习时必带回放。要提前设计好素材收集与去重、新旧样本的混采比例，以及“睡醒后”的旧能力回归测试，别只看新任务指标。另外，巩固阶段用模型自生成数据可以缓解原始旧数据拿不到的问题，但也可能把模型的错误一起固化，需要抽样审核。
对普通人，它解释了一个常见困惑：为什么很多助手“聊得越久越懂你”，却并不真的变强。因为真正的记忆巩固需要一次专门的整理过程，而不是把对话堆在上下文窗口里。选型时也可以多问一句：这东西是记住了，还是学会了？
各家的具体实现差异较大，涉及细节以官方页面为准。