在上一篇文章中，我们完整复盘了 lossless-claw 从安装到验证的全过程。然而，安装插件只是第一步——真正让 LCM 在各类生产场景中发挥最大价值，关键在于针对不同使用场景进行精细化的参数调优：本文聚焦这一核心需求，从插件架构本质出发，系统梳理 LCM 的核心参数体系，并给出涵盖日常协作、编程开发、学术研究、低成本运行、多Agent协作、企业级部署六大典型场景的完整生产级配置方案。

一、插件本质：理解 LCM 是如何“接管”上下文的

在深入配置之前，需要先明确lossless-claw在OpenClaw生态系统中的定位。它不是通过外部工具调用或旁路注入来实现记忆增强的，而是直接替换了OpenClaw内置的上下文引擎，本质上是对 AI 的“记忆中枢”进行了一次底层升级。

下面这张图展示了Lossless Claw (LCM)的核心逻辑架构，从消息进入到上下文组装的全链路。

🗺️ 架构解读

• 消息摄取：每一条对话消息首先进入 LCM。

• 持久化层：信息全量写入 SQLite，并组织为分层 DAG 摘要树。树中节点包含时间范围、Token 数、后代数及可追溯到原文的引用。

• 压缩引擎：当上下文水位达到 contextThreshold 时触发。将旧消息分块交给 LLM 生成叶子摘要；叶子节点数过多时会再次凝练成更高层节点，形成金字塔式的摘要体系。

• 上下文组装：每次模型调用前，LCM 根据 Token 预算从 DAG 中选取最相关的摘要节点，与最近 N 条原始消息（新鲜尾部） 拼接成完整上下文。

• 检索工具：提供 lcm_grep (关键词搜索)、lcm_describe (节点速览)、lcm_expand (追溯原始消息) 等工具，让 AI 或用户主动挖掘历史细节。

这种架构让 LCM 既保留了完整对话记录，又能高效管理 Token 消耗，是解决“失忆”与“上下文溢出”的关键设计。

二、核心参数全景

以下参数均基于 lossless-claw 0.9.1 版本。

2.1 freshTailCount —— 短期记忆保护区

JSON 配置默认值：32；环境变量LCM_FRESH_TAIL_COUNT 默认值：20。环境变量优先级更高。

作用：保护最近 N 条原始消息不被压缩。即使上下文窗口被占满触发压缩，也绝不会碰这 N 条消息，确保 Agent 始终能”看清”最近的对话流。

调优指导：

2.2 contextThreshold —— 压缩触发水位线

默认值：0.75

作用：当上下文占用达到窗口的此比例时，LCM 自动触发后台压缩，将旧消息分块摘要。留出 25% 的空间为模型回复预留 token。

2.3 incrementalMaxDepth —— 增量压缩深度

默认值：-1

作用：每次触发增量压缩时，一次递归凝练几层摘要。-1 表示无限递归，让 LCM 自动管理深度。所有场景均推荐设置 -1。

2.4 summaryModel —— 摘要生成模型

默认值：跟随主会话模型（不配置时摘要成本可能高出 100 倍）。

作用：指定 LCM 后台压缩时使用的独立模型。摘要不需要强大推理能力，只需要忠实度、速度和低成本。配置格式为 provider/model，例如 “anthropic/claude-haiku-4-5” 或 “siliconflow/Qwen/Qwen3-8B”。

2.5 expansionModel —— 深度检索展开模型

有效。用于指定 lcm_expand_query 子代理的模型覆盖。展开任务对速度敏感，推荐使用轻量快速模型，如 “openai/gpt-4o-mini” 或 “anthropic/claude-haiku-4-5″。不建议使用大型推理模型。

2.6 largeFileTokenThreshold —— 大文件外置化阈值

默认值：25000（tokens）。当消息中的文件超过此 Token 数时，LCM 会将其外置存储，避免单文件撑满上下文。可酌情调高到 40000–50000。

2.7 dbPath —— 数据库存储路径

默认值：~/.openclaw/lcm.db。如需迁移数据，先复制数据库再更新此路径。

2.8 ignoreSessionPatterns —— 会话排除模式

通过 glob 模式指定完全不存储、不压缩的会话。推荐 [“agent:*:cron:**”]。

2.9 statelessSessionPatterns —— 无状态只读会话

指定可读取 LCM 历史但不写入的会话，适合子 Agent 调用。推荐 [“agent:*:subagent:**”]。

三、典型场景配置方案

理解每个参数的含义之后，接下来是关键的一步：如何针对不同的使用场景，将这些参数组合成最优配置？以下针对六大典型场景，逐一给出推荐的参数方案和调优思路。

3.1 场景一：日常办公协作

场景特征：对话以中等长度为主，通常在 100~300 轮之间。每天可能切换不同主题，但每个主题的对话深度有限。用户对响应速度有较高要求，不希望因压缩产生明显延迟。Token 成本敏感，不希望造成不必要的额外开支。

配置要点与目标：追求快速响应和较低 Token 消耗，freshTailCount 保持较高值，摘要触发延迟适度。

"lossless-claw": {  "enabled": true,  "config": {    "freshTailCount": 48,    "contextThreshold": 0.75,    "incrementalMaxDepth": -1,    "summaryModel": "anthropic/claude-haiku-4-5",    "expansionModel": "openai/gpt-4o-mini",    "ignoreSessionPatterns": ["agent:*:cron:**"]  }}

关键决策说明：

• freshTailCount: 48：较社区默认的 32 更高，确保当前主题的对话流始终保持在视野中，减少因压缩而导致的对当前对话流的干扰。

• summaryModel: “claude-3-5-haiku”：使用便宜、快速的独立摘要模型，大幅降低摘要产生的额外 API 开销。

3.2 场景二：编程与代码开发

场景特征：对话密度极高，涉及大量代码片段、技术术语和上下文引用。Agent 需要随时回溯早期的设计决策、变量命名约定、错误调试记录。当前对话的精确性远比历史全貌更重要。

配置要点与目标：需要较大的 freshTailCount 以保证当前代码上下文完整，同时压缩触发阈值稍低以防止窗口溢出（因为代码通常占 Token 更多）。

"lossless-claw": {  "enabled": true,  "config": {    "freshTailCount": 64,    "contextThreshold": 0.70,    "incrementalMaxDepth": -1,    "largeFileTokenThreshold": 40000,    "summaryModel": "openai/gpt-4o-mini",    "expansionModel": "openai/gpt-4o-mini",    "ignoreSessionPatterns": ["agent:*:cron:**"],    "statelessSessionPatterns": ["agent:*:subagent:**"]  }}

关键决策说明：

• freshTailCount: 64：恢复到源码的默认值，为 Agent 提供最充裕的当前代码上下文，确保连贯理解和调试。

• contextThreshold: 0.70：代码通常占 Token 更多，因此将触发阈值略微调低，为模型回复留出更多空间。

• largeFileTokenThreshold : 40000 tokens：容纳完整的代码库片段或转储日志，避免大文件被过早外置化而丢失关联上下文。

• statelessSessionPatterns : [“agent:*:subagent:**”]：编程场景中主 Agent 经常调用子 Agent 执行检查或测试，子调用产生的临时会话如果全部写入 LCM 数据库会造成严重污染，设为只读模式既能保留追溯能力，又不影响主数据库的健康度。

• summaryModel: openai/gpt-4o-mini：代码场景下该模型对技术术语的保留能力足够，且月度成本极低。

3.3 场景三：超长文档与学术分析

场景特征：对话可能持续数天甚至数周，涉及长篇幅文献、会议纪要、调研报告。Agent 需要从海量历史信息中精准检索出特定段落、数据点和引文。Token 窗口紧张，需要更多空间给摘要层。

配置要点与目标：freshTailCount 较小以给摘要层腾出空间，压缩批次较大以适配长文档的“块”特征。

"lossless-claw": {  "enabled": true,  "config": {    "freshTailCount": 16,    "contextThreshold": 0.70,    "incrementalMaxDepth": -1,    "largeFileTokenThreshold": 25000,    "summaryModel": "anthropic/claude-haiku-4-5",    "expansionModel": "anthropic/claude-haiku-4-5",    "ignoreSessionPatterns": ["agent:*:cron:**"]  }}

关键决策说明：

• freshTailCount: 16：学术场景下，“看清完整论证脉络”远比“记住最近几句对话”更重要。freshTailCount 大幅降低至 16，腾出可观的 token 空间供高阶摘要层使用，使 Agent 能在一次上下文窗口中承载几周甚至几个月的讨论全貌。

• contextThreshold: 0.70：与编程场景相同，为模型的回复预留更多生成空间。

• clargeFileTokenThreshold : 25000：因为单篇论文或文献通常在 25000 tokens 以内

• 摘要和展开模型均选择 claude-haiku-4-5，看重其对复杂逻辑关系的忠实凝练能力，对于学术论证的保真度至关重要。ignoreSessionPatterns 仅排除定时任务，保留所有研究讨论的完整存档，以备日后引用和复盘。

整体策略倾斜于“历史深度覆盖”而非“当下交互速度”，让 LCM 成为一位真正能陪你读论文、做综述的“第二大脑”。

3.4 场景四：低成本/ 个人自托管部署

场景特征：使用免费或极低成本的模型 API，Token 预算非常有限。但仍希望获得 LCM 的无损上下文能力。需要在摘要质量和成本之间找到最优平衡点。

配置要点与目标：用最便宜的模型做摘要（甚至本地免费模型），尽可能减少摘要 Token 消耗。

"lossless-claw": {  "enabled": true,  "config": {    "freshTailCount": 16,    "contextThreshold": 0.85,    "incrementalMaxDepth": -1,    "summaryModel": "GLM-4.7-Flash",    "expansionModel": "deepseek/deepseek-chat",    "ignoreSessionPatterns": ["agent:*:cron:**", "agent:*:test:**"]  }}

关键决策说明：

• freshTailCount: 16：直接降低整体上下文常驻 token 量。

• contextThreshold: 0.85：则将压缩触发推到窗口真正快满的时刻，大幅减少摘要 API 调用频次，从源头控制成本。

• summaryModel: “GLM-4.7-Flash”：中文极佳且免费。

• ignoreSessionPatterns : [“agent:*:cron:**”, “agent:*:test:**”]：额外排除了测试会话，进一步避免无价值的 API 消耗。

这套配置牺牲了一定的交互流畅度和摘要保真度，但在预算极度有限的个人或学生场景下，仍然能保留 LCM 的核心无损记忆能力，实现了“花最少的钱，存最多的历史”这一目标。

3.5 场景五：多 Agent 交互

场景特征：OpenClaw 网关下同时运行多个 Agent，每个 Agent 有独立的工作区、记忆和会话。需要通过统一的 LCM 配置保证所有 Agent 都具备无损上下文能力，确保不同 Agent 之间的会话数据互不干扰，并对无价值的后台系统会话（如定时任务）进行过滤。

配置要点与目标：一个 lossless-claw 插件实例通过其内部机制自动处理多 Agent 场景（即一个网关下只需安装和配置一次），重点是配置过滤规则，排除子 Agent 调用和定时任务等系统会话。

"lossless-claw": {  "enabled": true,  "config": {    "freshTailCount": 32,    "contextThreshold": 0.75,    "incrementalMaxDepth": -1,    "summaryModel": "anthropic/claude-haiku-4-5",    "expansionModel": "openai/gpt-4o-mini",    "ignoreSessionPatterns": [      "agent:*:cron:**",      "agent:*:healthcheck:**"    ],    "statelessSessionPatterns": [      "agent:*:subagent:**"    ]  }}

关键决策说明：

• 多 Agent 环境下的最大隐患是系统内部会话（定时任务、健康检查、主 Agent 调用子 Agent）会急剧膨胀LCM 数据库，不仅拖慢检索速度，还可能导致真正的业务对话被淹没。因此，ignoreSessionPatterns 排除了 cron 和 healthcheck 会话。

• statelessSessionPatterns则让所有子 Agent 调用进入只读模式——子 Agent 可以检索父会话的历史上下文以辅助任务执行，但完成任务后产生的临时对话不会被写回 LCM 数据库，保持了主数据库的清洁。

• freshTailCount和contextThreshold保持默认值，因为各 Agent 的对话长度差异很大，通用值在大多数情况下表现稳定。摘要和展开模型分开配置，兼顾质量与成本。这套策略的核心价值在于“隔离而非禁止”，既保障了系统运维可观测性，又防止内部噪音污染记忆库。

3.6 场景六：企业级部署

场景特征：面向多客户或多业务线的生产级部署，对数据可追溯性、审计合规有严格要求。需要完整的对话历史存档，不能有任何信息丢失。可能需要与企业现有的日志系统对接。

"lossless-claw": {  "enabled": true,  "config": {    "freshTailCount": 32,    "contextThreshold": 0.75,    "incrementalMaxDepth": -1,    "summaryModel": "anthropic/claude-haiku-4-5",    "expansionModel": "anthropic/claude-haiku-4-5",    "dbPath": "/data/openclaw/lcm-prod.db",    "ignoreSessionPatterns": []  }}

关键决策说明：

• 企业级部署最核心的要求是“零丢失”——任何一条对话记录都不能被自动删除，以应对审计合规。因此 ignoreSessionPatterns 被显式置空，确保所有会话均被完整归档。

• dbPath指向独立数据盘，便于定期备份和异地容灾。

• 摘要和展开模型统一选择 claude-haiku-4-5，以摘要保真度和稳定性为第一优先级，成本次之。

• freshTailCount和contextThreshold保持默认值，因为企业场景下对话类型多样，通用配置普适性最好。这套方案将 LCM 从“技术工具”升级为“合规基础设施”，让企业放心地为客户提供基于 AI 的长期服务，任何决策都可被追溯到原始对话记录。

四、模型选型专题

4.1 国际通用摘要模型推荐

4.2 中文摘要模型高性价比方案

4.3 深度检索展开模型选型

价格时效性声明：大模型 API 价格处于快速变动期，以上价格均为2026年4月数据，最终请以各厂商官网为准。

五、中文增强版：lossless-claw-enhanced

如果主要使用中文，强烈推荐使用 lossless-claw-enhanced。该版本修复了 CJK 文本的 token 估算偏低问题（准确度提升最高 6 倍），同时整合了上游 bug 修复。安装方式：

git clone https://github.com/win4r/lossless-claw-enhanced.git

openclaw plugins install –link ./lossless-claw-enhanced

配置参数与标准 LCM 完全兼容，仅需将 contextEngine 插槽指向 “lossless-claw-enhanced” 即可。

六、生产级注意事项与监控方案

6.1 数据库增长与管理

LCM 的 SQLite 数据库（lcm.db）是所有对话记录和摘要节点的存储容器。它会随着使用持续增长，虽然总体增速可控，但在长期运行中仍需关注。建议：

定期检查数据库大小：关注 ~/.openclaw/agents//lcm/lcm.db 的文件大小。

执行 VACUUM 回收碎片空间：当数据库增长明显（例如超过 500MB），可以在 OpenClaw 停止或数据库空闲时，使用 sqlite3 lcm.db “VACUUM;” 命令来回收空间。

配合 session.maintenance 自动清理：在 OpenClaw 的全局配置中合理设置 session.maintenance.pruneAfter 和 maxEntries，配合 LCM 的 autoPurge: true，当源会话文件被清理时，LCM 也会自动删除对应的数据库条目。

6.2 摘要质量监控

摘要质量直接决定了 LCM 的回溯准确率。建议定期通过以下方式抽查摘要质量：使用 lcm-tui 命令行工具浏览 DAG 结构，检查摘要节点是否准确概括了对应消息块的核心内容。如果发现摘要质量较低，可以尝试切换到更强的摘要模型，或调整 maxChunkTokens 以减少单个摘要块的粒度。

6.3 已知兼容性注意事项

Claude Sonnet 4 可能存在已知配合问题，建议优先使用 GPT-5、Gemini Flash 3.1 或 DeepSeek 等模型以获得最佳兼容性。

已存在的旧会话不能直接切换引擎。要让 LCM 生效，需要使用 /new 开启全新会话。

Node.js 需要 22+ 版本，且强烈建议确认 SQLite FTS5 编译选项可用，否则全文检索会降级。

七、总结：LCM 是生产级 Agent 的必备基础设施

本文从参数本质出发，针对六大典型场景给出了完整的配置方案，覆盖了从日常办公到企业级部署的全场景需求。回顾整套方案，核心思路可以浓缩为以下原则：

• 独立摘要模型是关键降本手段：不要让主对话模型做摘要工作，用最便宜的模型处理压缩。

• freshTailCount 是场景差异化的核心参数：根据场景对“当前连贯性”与“历史覆盖度”的权衡，选择合适的值。

• 无限深度是长期记忆的保障：incrementalMaxDepth: -1 是社区公认的最佳实践。

• autoPurge + pruneHeartbeatOk 是保持数据库清洁的组合拳：日常和编程场景务必开启。

• 环境变量便于快速调参，JSON 配置用于固化生产方案：两者配合使用，效率最佳。

无论是个人开发者、专业程序员、学术研究者，还是企业 IT 管理员，都可以通过选择适合自己的配置方案，让 OpenClaw Agent 从“一个会遗忘的短期对话工具”升级为“一位永不忘事的长期 AI 搭档”。LCM 已不是“要不要装”的问题——在长对话场景下，它是 Agent 稳定运行的基础设施。

——感谢阅读真实经历，真诚分享关注我，一个只分享 AI 实战记录的人类