OpenClaw作者亲自推荐的AI开源项目lossless-claw:让 AI 永远不会忘记你说过的话

项目基本介绍：终结 AI 的 “金鱼记忆”

相信大家都有过这样的经历：和 AI 聊了几十轮，前面说过的重要信息它转眼就忘了，你不得不反复重复同样的内容。这就是大模型的上下文窗口限制问题 —— 当对话长度超过模型的 token 上限时，AI 会直接截断最早的消息。

lossless-claw 就是为了解决这个痛点而生的。它是 OpenClaw 的一款无损上下文管理插件，基于 Voltropy 的 LCM 论文实现，用DAG（有向无环图）式的分层摘要系统彻底取代了传统的滑动窗口压缩机制。

简单来说，它不会丢弃任何一条消息，而是将历史对话智能地分层摘要，形成一个可追溯的知识图谱。当 AI 需要回忆某个细节时，可以随时从摘要节点回溯到原始消息，真正实现了 “零信息丢失” 的长对话体验。

功能亮点：四大核心能力打造 “永不遗忘” 的 AI

我们最近在做 JitKnow AI知识库的时候，也遇到了AI助手如何更大限度保留用户问答的上下文记忆的问题，在研究了 lossless-claw 的上下文管理机制后，有非常大的收获。下面就来总结一下它的方案的核心亮点：

1. 真正的无损上下文管理

• 所有原始消息永久存储在 SQLite 数据库中，按会话组织
• 摘要节点与原始消息建立双向链接，可随时展开查看详情
• 支持精确的全文搜索和语义检索，快速定位历史对话

2. 智能分层摘要 DAG

• 自动将历史消息分块生成叶子摘要
• 当叶子摘要积累到一定数量时，自动合并生成更高层次的摘要
• 形成多层级的 DAG 结构，抽象程度逐层提升
• 每次对话时，智能组合不同层次的摘要 + 最新原始消息

3. 丰富的工具集与命令

• /lcm
  
  查看插件状态、数据库信息和摘要健康度
• /lcm backup
  
  一键备份整个上下文数据库
• /lcm rotate
  
  压缩当前会话转录，不改变会话身份
• /lcm doctor
  
  扫描并修复损坏的摘要节点
• 内置lcm_grep、lcm_describe、lcm_expand等工具，供 AI 自主调用

4. 高度可配置的参数系统

• 支持自定义摘要触发阈值、目标 token 数
• 可指定专门的摘要模型和展开模型，降低成本
• 支持会话白名单 / 黑名单，排除不需要记录的会话
• 提供缓存感知的延迟压缩模式，优化性能

技术架构：DAG 驱动的上下文管理范式

AI Agent研究核心一点我觉得就是在架构设计上，它是 Agent 的灵魂，也是程序员唯一不会被AI替代的核心竞争力了，所以我会继续和大家分享一下我总结的 lossless-claw 架构设计：

核心技术思路剖析如下：

1. DAG 式摘要存储

这是 lossless-claw 最核心的创新点。传统的滑动窗口是线性的、不可逆的，而 DAG 结构是分层的、可回溯的。

• 叶子节点
  
  包含原始消息的分块摘要，每个叶子节点对应约 20000 个原始 token
• 中间节点
  
  由多个叶子节点或其他中间节点合并生成，抽象程度更高
• 根节点
  
  整个会话的最高层摘要，包含最核心的信息

当需要组装上下文时，系统会从根节点开始，根据当前上下文窗口的剩余空间，智能选择展开哪些子节点，确保在 token 限制内提供最有价值的信息。

2. 缓存感知的延迟压缩

lossless-claw 采用了一种非常聪明的压缩策略：延迟压缩。

• 当上下文使用量达到阈值的 75% 时，不会立即进行压缩
• 而是将压缩任务记录为 “维护债务”，在后台异步执行
• 利用 LLM API 的缓存机制，在缓存还热的时候完成压缩
• 只有当缓存过期或上下文即将溢出时，才会应用压缩结果

这种方式极大地减少了对用户体验的影响，同时降低了 API 调用成本。

3. 可插拔的模型系统

• 摘要任务和展开任务可以使用不同的模型
• 推荐使用openai/gpt-5.4-mini这类便宜快速的模型进行摘要
• 主会话可以继续使用更强大的模型进行推理
• 支持所有 OpenClaw 兼容的模型提供商

4. 事务性数据库设计

• 所有操作都是事务性的，确保数据一致性
• 支持数据库备份和恢复
• 内置完整性检查和修复工具
• 可选的 FTS5 全文索引，支持快速搜索

它使用到的技术栈清单我整理了一份，供大家做技术参考和调研：

应用场景

lossless-claw 我个人认为，特别适合以下场景：

1. 长期运行的 AI 助手
   
   个人数字助理、企业客服机器人
2. 复杂项目开发
   
   AI 编程助手，能够记住整个项目的上下文
3. 研究与学习
   
   AI 研究助手，能够跟踪长期的研究课题
4. 客户关系管理
   
   记录与每个客户的所有交互历史
5. 会议记录与总结
   
   自动生成会议摘要，并可随时展开查看细节

优缺点客观分析

优点

• ✅ 真正无损：所有原始消息都被保存，不会丢失任何信息
• ✅ 智能高效：DAG 结构在 token 限制内最大化信息密度
• ✅ 性能优秀：延迟压缩模式几乎不影响用户体验
• ✅ 易于集成：作为 OpenClaw 插件，一键安装即可使用
• ✅ 高度可配置：几乎所有参数都可以根据需求调整
• ✅ 开源免费：MIT 许可证，可自由商用

缺点如下，大家可以客观的选择：

• ❌ 仅支持 OpenClaw：目前不能直接用于其他 AI 框架
• ❌ 有一定存储开销：数据库会随着对话历史增长
• ❌ 摘要质量依赖模型：模型能力差会导致摘要不准确
• ❌ 首次压缩有延迟：第一次达到阈值时可能会有短暂等待

官方 Roadmap 泄密

🚨 未经官方证实，仅供吃瓜

据内部消息人士透露，lossless-claw 团队正在开发以下功能：

1. 支持向量数据库作为后端存储，提升大规模检索性能
2. 实现跨会话的知识共享，让不同会话之间可以互相引用
3. 开发 Web UI 界面，方便可视化管理和编辑摘要 DAG
4. 支持导出为 Markdown、PDF 等格式，便于分享和归档

预计这些功能将在 2026 年 Q3 陆续上线。

总结：AI 长上下文的终极解决方案

作为一个有近 10 年经验的程序员和 AI 创业者，我认为 lossless-claw 是目前解决大模型长上下文问题的最佳实践。

传统的滑动窗口压缩是一种 “暴力” 的解决方案，它简单但低效，而且会丢失重要信息。而 lossless-claw 的 DAG 式分层摘要则是一种 “智能” 的解决方案，它模拟了人类的记忆方式 —— 我们不会记住每一个细节，但我们会记住重要的事情，并且当需要时能够回忆起具体的细节。

对于任何需要长期运行的 AI 应用来说，上下文管理都是一个核心问题。lossless-claw 不仅解决了这个问题，而且提供了一个优雅、高效、可扩展的架构。

如果大家也正在使用 OpenClaw，我强烈建议你安装这个插件。它会彻底改变你与 AI 交互的体验，让你的 AI 助手真正成为一个 “永不遗忘” 的伙伴。

精选架构专栏