这个插件装上后,彻底治好了我的 ��AI Agent 的健忘症

导读

在使用 🦞OpenClaw 时，相信大家都遇到过这些问题：

• • ❌ 问了几个小时前的决策，Agent 说”我不记得了”
• • ❌ memory 文件夹里只有今天的文件，昨天的不见了
• • ❌ 对话一长，Agent 越来越”傻”，细节全丢
• • ❌ 每天都要重复”我不是说过用这个格式吗？”

这不是你的问题，是 OpenClaw 的记忆存储机制决定的。

今天要介绍的 Lossless-Claw 插件，彻底解决了这个痛点。装上之后，你就会感觉

“你在和一个永远不会失忆的 AI Agent 聊天”

一、OpenClaw 的”健忘症”痛点

OpenClaw 是目前最丝滑的本地 AI Agent 框架，但长会话用久了，所有人都会吐槽同一个问题。

1.1 三大痛点

1.2 为什么会这样？

OpenClaw 官方记忆机制的核心设计是这样的：

从图中可以看到，OpenClaw 的记忆机制分为三个阶段：

此外，官方 memory 触发机制是：

• • Daily log 文件只在”有内容要写“时才创建
• • 只有 session 接近 token 阈值（~40k）时，才触发 pre-compaction flush
• • 如果你每天用 /new 重启，或 session 都很短，几乎不会触发

结果就是：

memory 文件夹里只有一个当天的文件，历史的没有。不是 bug，是设计如此——daily 文件”懒创建”。

因此：

OpenClaw原生是”有损压缩 + 文件记忆”双保险，但压缩是硬伤，记忆是靠手动。

二、Lossless-Claw 解决“健忘症”问题

2.1 核心理念

一切永不删除 + DAG 分层总结 + 自动后台处理

它不是增强 memory，而是直接替换 OpenClaw 的 contextEngine（上下文引擎）。

官方滑动窗口被彻底干掉，取而代之的是基于 LCM 论文的 Lossless Context Management。

2.2 它做了什么？

当对话超出模型上下文窗口时，OpenClaw（和其他所有 Agent 一样）通常会截断旧消息。

但是，LCM 的做法完全不同：

1. 1. 持久化存储 – 系统首先将所有消息存入 SQLite 数据库，并按照对话组织。
2. 2. 智能摘要 – 随后进入智能摘要阶段，利用配置 LLM 将旧消息分块总结，从而降低上下文长度。
3. 3. DAG 压缩 – 在此基础上，系统进一步进行DAG压缩，将已有摘要抽象为更高层级的节点，并构建有向无环图结构，实现多层次信息压缩。
4. 4. 动态组装 – 在实际对话中，系统会进行动态组装，将高层摘要与最近的原始消息结合，构建当前轮次所需的上下文。

1. 5. 检索工具 – 最后，系统提供 lcm_grep、lcm_describe、lcm_expand 等检索工具，让 Agent 可以搜索和召回压缩历史，从而实现对压缩记忆的高效召回。

为了在有限的上下文窗口内持续保留长期记忆，同时避免传统“截断或覆盖历史”的问题，系统设计了一套基于压缩与检索的记忆机制。其整体流程可以分为以下几个过程：

1. 持久化存储

在每次用户与 AI 进行对话结束时，系统会自动识别对话的结束点，并准备进行接下来的处理。此时，AI 会回顾并保存当前对话内容。

2.  后台异步检查 token 使用率

AI 会在后台监控 token（数据单元）的使用情况，确保在任何时候系统资源都能够合理管理。每当用户输入或者 AI 输出时，都会消耗一定数量的 tokens。此时，系统会检测是否已接近设定的使用阈值（例如：75%）。

3. 达到阈值（默认 75%）→ 触发压缩

如果后台检测到 token 使用量已经接近设定的阈值（默认75%），系统会自动触发数据压缩机制，准备对旧的对话内容进行总结，从而释放更多的 token 以继续进行后续对话。

4. 把最老的未总结 chunk 交给 LLM 生成总结

系统会识别出对话中的最老且未被总结的“chunk”（对话块）。这些 chunk 可能是一些用户的提问、AI 的回答，或者是长时间未被总结的对话内容。接着，系统会将这些 chunk 交给大语言模型（LLM）进行处理并生成简洁的总结。

5. 总结节点链接回原始消息，形成 DAG 树

生成的总结会被“节点化”并与原始对话内容关联。通过这种方式，整个对话形成了一个有向无环图（DAG）结构。这种结构允许每个总结节点都能追溯到其原始消息，从而确保了数据的完整性和准确性。

6. 随着对话增长，总结自己也被总结

随着对话的不断推进，AI 会不断对旧的总结进行更新和归纳。比如，原本的叶子总结会被转换成更高层次的总结，最终形成多层次的总结体系：

• 叶子总结 → 逐步形成会话总结

• 会话总结 → 形成项目阶段总结

• 项目阶段总结 → 转化为整体决策总结

• 通过这种方式，每个总结层次都能高度概括对话的精髓。

7. 每次组装上下文

每当系统需要处理新的用户请求时，它会根据当前的需求组装适当的上下文，确保 AI 的响应与对话历史相关。这个过程包括：

• 最近 N 条原始消息：会话上下文会包括最近 N 条原始消息（默认是 32 条），以确保 AI 回应的内容有足够的背景支持。

• 相关高层总结：除了原始消息，还会包括相关的高层次总结，如会话总结、项目阶段总结等，确保系统对话的流畅性和完整性。

8. Agent 需要细节时，自动调用 lcm_expand 工具

当 AI 需要获取更多细节时，它会自动调用 lcm_expand 工具。这是一个扩展工具，通过启动子 Agent 来对某些领域或信息进行深入探索，而不会导致上下文过载。子 Agent 会根据当前需求展开相应的对话和处理。

lossless-claw = 给 AI Agent 一个真正的长期记忆系统。不再失忆，不再重复，不再丢失上下文。

2.4 DAG 结构示意

DAG 是一个“可以不断压缩、但随时能还原”的记忆树。上图结构中，分为三层：

Depth 0(基础层): 

SUMMARY x4 · DEPTH 0Turns 1–16 / 17–32 / 33–48 / 49–64

• 原始对话被切成 chunk（比如每 16 轮）

• 每个 chunk 被总结一次

关联具体的决定、准确的技术细节。原始消息 → 第一层总结（局部总结），

Depth 1(流程层):

SUMMARY · DEPTH 1 · ~500 tok

每一个红色框：


对应一个更大的区间（比如 32 条消息）


是对多个 Depth 0 summary 的再次总结


因此，关联对话的发展脉络、当前状态的简要总结，它是“总结的总结”。


Depth 2(叙事层)：

SUMMARY · DEPTH 2 · 840 tokTurns 1–64

它是：

• 把所有 Depth 1 再总结一次

• 得到整个会话的“全局理解”

它是长期的里程碑、核心决策和全局故事线。当同级摘要积累到一定数量时，系统会触发“凝缩（Condensation）”，生成更高级别的抽象节点。相当于，全局压缩后的“脑子里的结论”

因此，这样的 DAG 结构具备以下特性：

✅ 所有原始消息永远在 DB 里，总结只是”索引”

✅ 想看原始，直接展开就行

✅ 在正常操作中，你永远不需要再考虑 compaction

2.5 装上之后的变化

装上这个插件之后，你会发现：

2.6 社区评价

“连OpenClaw 作者都亲自推荐：如果你被 compaction 搞得头疼，就试试这个”

三、OpenClaw原生机制 VS Lossless-Claw 插件机制

如果觉得前两章 OpenClaw 原生记忆存储机制和 Lossless-Claw 插件记忆存储机制的解析太啰嗦，我们可以看下面的快速对比表，了解它们之间的差异：

如果打个比方来讲，OpenClaw 原生记忆存储机制和 Lossless-Claw 插件记忆存储机制，它们之间的差距就像：

OpenClaw：

像把书撕掉几页，再粘个摘要在上面。

想看原始内容？没了，真没了。

Lossless-Claw：

把整本书扫描进数据库，只在当前阅读时把相关页”智能折叠”给你。

需要翻哪页？随时展开就行。

四、安装与配置

4.1 前置要求

4.2 安装命令

# 方式一：Git 安装（推荐）openclaw plugins install \  https://github.com/martian-engineering/lossless-claw# 方式二：npm 包安装（如已发布）openclaw plugins install @martian-engineering/lossless-claw# 方式三：本地开发安装git clone https://github.com/martian-engineering/lossless-clawcd lossless-clawopenclaw plugins install -l .

4.3 配置文件

编辑 ~/.openclaw/config.json：

{  "plugins": {    "slots": {      "contextEngine": "lossless-claw"    },    "entries": {      "lossless-claw": {        "enabled":true,        "config": {          "contextThreshold": 0.75,          "freshTailCount": 32,          "incrementalMaxDepth": -1        }      }    }  }}

4.4 环境变量

# ~/.zshrc 或 ~/.bashrc# 推荐起始配置export LCM_FRESH_TAIL_COUNT=32       # 保护最近 32 条消息export LCM_INCREMENTAL_MAX_DEPTH=-1  # 启用无限自动浓缩export LCM_CONTEXT_THRESHOLD=0.75    # 75% 阈值触发

配置说明：

• • freshTailCount=32 保护最近 32 条消息不被压缩，给模型足够的近期上下文保持连续性
• • incrementalMaxDepth=-1 启用每次压缩后的无限自动浓缩——DAG 根据需要深入
• • contextThreshold=0.75 在上下文达到模型窗口 75% 时触发压缩，为模型响应留出空间

4.5 Session 重置设置

LCM 通过压缩保留历史，但不改变 OpenClaw 的核心 session 重置策略。

如果 session 重置得比你期望的早，需要调整 OpenClaw 的 session 设置：

{  "session": {    "reset": {      "mode": "idle",      "idleMinutes": 10080    }  }}

配置说明：

常用值参考：

• • 1440 = 1 天
• • 10080 = 7 天
• • 43200 = 30 天
• • 525600 = 365 天

对于大多数长周期 LCM 配置，推荐起点：

{  "session": {    "reset": {      "mode": "idle",      "idleMinutes": 10080    }  }}

注意： 如果同时使用 daily reset 模式，idleMinutes 作为次要保护，session 会在每日边界或空闲窗口先到期时重置。

4.6 重启生效

# 重启 OpenClawopenclaw restart# 或重启 gatewayopenclaw gateway restart

4.7 验证安装

# 查看已安装插件openclaw plugins list# 检查 LCM 特定日志openclaw logs | grep LCM# 验证 context engine 已注册openclaw logs | grep "context engine.*lossless-claw"

4.8 Agent 工具

安装后，Agent 会自动获得以下工具：

工具说明：

• • lcm_grep – 在压缩历史中搜索关键词，支持多关键词和限制结果数
• • lcm_describe – 查看当前 DAG 结构、节点数量、压缩统计
• • lcm_expand_query – 子代理专用，展开特定主题的完整上下文（不会炸 token）

注意：lcm_expand 工具仅限子代理调用，主 Agent 应使用 lcm_expand_query 包装器。

4.9 推荐配置组合

# 推荐起始配置（~/.zshrc）export LCM_FRESH_TAIL_COUNT=32       # 保护最近 32 条消息export LCM_INCREMENTAL_MAX_DEPTH=-1  # 启用无限自动浓缩export LCM_CONTEXT_THRESHOLD=0.75    # 75% 阈值触发# Session 重置配置（~/.openclaw/config.json）{  "session": {    "reset": {      "mode": "idle",      "idleMinutes": 10080  # 7 天    }  }}

五、最佳实践

5.1 推荐配置组合

Lossless-Claw + 官方 Memory 系统Lossless-Claw → 会话历史、对话上下文（自动管理）官方 Memory → 长期知识、用户偏好（手动/自动写入）├── MEMORY.md      → 项目架构、API Keys、Workflow Rules├── USER.md        → 用户偏好、习惯├── SOUL.md        → Agent 人格、语气└── lossless-claw  → 完整对话历史（SQLite DB）

5.2 配置调优建议

5.3 定期维护

# 每月检查数据库大小du -sh ~/.openclaw/lcm.db# 备份数据库cp ~/.openclaw/lcm.db ~/backups/lcm-$(date +%Y%m%d).db# 清理过旧的会话（可选，90 天+）sqlite3 ~/.openclaw/lcm.db \  "DELETE FROM messages WHERE created_at < datetime('now', '-90 days');"

🔗 相关链接

关注我，获取 AI 技术前沿资讯与实战技巧 👇 点赞 + ❤️ + 分享，下期更精彩！