做 AI Agent 开发的朋友最近总跟我吐槽一个共同问题：跑着跑着任务，突然弹出一个”上下文溢出”的错误，前面几个小时的工作全白费了。这种挫败感我懂。今天我们就把 OpenClaw 的上下文压缩机制彻底讲透，让你从此告别溢出焦虑。

🔍 问题出在哪里

先说原理。Agent 运行时会把每一轮对话、每一次工具调用都记录到 .jsonl 日志文件里，这个文件位于 ~/.openclaw/agents/{agent}/sessions/ 目录下。

默认情况下，这个文件会无限增长。想象一下：你让 Agent 执行一个复杂任务，它可能需要连续调用几十次工具——exec 执行命令、read 读取文件、edit 编辑代码、browser 操作网页……每一次调用的输入输出都会追加到日志里。

当累积内容超过模型 token 限制（比如 128K 或 256K），系统就会报错：上下文装不下了。

早期的解决方案是简单粗暴的”压缩摘要”：把旧对话用模型总结成一段话。但这带来两个新问题：

1️⃣ 摘要会丢细节：用户说”记住我的项目用 React+TypeScript”，压缩后这句话可能被概括成”用户有技术项目”，关键信息丢失

2️⃣ 日志文件不缩小：内存中的上下文压缩了，但磁盘上的 .jsonl 文件还是那么大，该爆照爆

OpenClaw 在新版本引入了一套组合拳，我们逐一拆解。

💰 第一招：用免费模型做摘要

先说最实在的配置——compaction.model。

{  "agents": {    "defaults": {      "compaction": {        "mode": "safeguard",        "model": "zhipu/glm-4-flash"      }    }  }}

为什么要单独指定模型？ 算笔账就明白了。

假设你的主力模型是 qwen3.5-397b-a17b，这种大模型 token 成本有点高。而压缩摘要这种”读旧日志→总结大意”的任务，根本不需要这么强的推理能力，用智谱的免费 Flash 模型就足够了。

如果你不指定 model，系统会用当前 agent 的主模型做压缩。意味着什么？你本来就在为 token 不够用发愁，结果压缩操作还在疯狂消耗主力 token——雪上加霜。

💡 最佳实践：所有生产环境 agent 都应配置轻量级压缩模型，把主力 token 留给真正的推理任务。

🛡️ 第二招：midTurnPrecheck（从事后救火到事前预防）

这是最容易被忽略但最关键的配置。

默认情况下，compaction 只在”轮次之间”触发。什么意思？

Agent 的一轮对话可能包含多次工具调用。举个例子：

用户：帮我把项目里的 console.log 都替换成 debug 日志Agent 思考  → exec(查找所有 JS 文件)  → read(读取 file1.js)  → edit(替换)  → read(读取 file2.js)  → edit(替换)  → ...  → exec(第 N 次) → 💥 溢出报错

看到了吗？这一轮里 Agent 可能连续调用了 20 次工具，但中间没有任何上下文检查。直到最后一次调用返回，系统发现：”完了，装不下了”。

这时候你已经浪费了前面所有时间。

开启 midTurnPrecheck 后，机制变成：

每次工具调用返回  → 立即检查上下文压力  → 超过阈值就触发压缩  → 继续下一轮调用

配置方式：

{  "compaction": {    "midTurnPrecheck": {      "enabled": true    }  }}

效果对比：

这就是”事后救火“和”事前预防“的区别。强烈建议所有长任务场景都开启此选项。

💾 第三招：memoryFlush（压缩前先存起来）

compaction 的本质是”有损压缩“。模型再强，把 100 轮对话压缩成 1 轮摘要，一定会丢信息。

有些信息是绝对不能丢的：

• 用户说”记住我的数据库密码是 xxx”
• 用户说”项目使用 React+TypeScript 技术栈”
• 用户说”部署环境是 Ubuntu 22.04″

memoryFlush 的作用：在压缩之前，先扫描对话中的关键信息，把它们写入 memory/ 目录下的持久化文件。

{  "compaction": {    "memoryFlush": {      "enabled": true    }  }}

工作流程：

① 用户说："记住，我的服务器 SSH 密钥在 ~/.ssh/id_rsa"② Agent 回复："已记住"③ 触发压缩前，memoryFlush 检测到"记住"意图④ 把这条信息写入 memory/YYYY-MM-DD.md 或 MEMORY.md⑤ 然后才执行压缩——即使摘要里丢了，原始记录还在 memory 文件里

🧠 关键理解：compaction 压缩的是”对话上下文”，memoryFlush 保护的是”长期记忆”。两者配合，既控制 token 用量，又不丢失关键信息。

🔄 第四招：truncateAfterCompaction + maxActiveTranscriptBytes（日志轮转机制）

这是最容易被误解的一组配置。

先说问题：OpenClaw 的会话日志 .jsonl 文件默认只增不减。你每次 compaction 只是压缩了”内存中的上下文”，磁盘上的文件该多大还多大。

结果就是：

• 第一次运行：日志 1MB，正常 ✅
• 运行一个月：日志 2GB，启动 agent 要加载半天，甚至直接卡死 ❌

truncateAfterCompaction：压缩后归档

压缩完成后，把旧的 .jsonl 日志归档（比如重命名为 .jsonl.archived），然后创建一个新的精简日志文件。

{  "compaction": {    "truncateAfterCompaction": true  }}

maxActiveTranscriptBytes：主动触发阈值

但只有 truncateAfterCompaction 还不够。你总不能让日志无限增长到某个随机时刻才压缩一次吧？这就需要 maxActiveTranscriptBytes：

{  "compaction": {    "maxActiveTranscriptBytes": "20mb"  }}

配置含义：当活跃日志文件超过 20MB 时，自动触发压缩 + 轮转。

两者配合逻辑

maxActiveTranscriptBytes：主动检测，达到阈值就触发           ↓      执行 compaction 压缩           ↓truncateAfterCompaction：压缩后把旧日志归档，创建新日志

如果没有 truncateAfterCompaction，maxActiveTranscriptBytes 就失去了意义——检测到了也不清理，文件还是继续膨胀。

📏 推荐配置：

• 开发环境："50mb"（容忍更大日志便于调试）
• 生产环境："20mb" 或更小（严格控制磁盘占用）

📋 完整配置（一键复制）

把以下配置复制到你的 /openclaw.json：

{  "agents": {    "defaults": {      "compaction": {        "mode": "safeguard",        "midTurnPrecheck": {          "enabled": true        },        "memoryFlush": {          "enabled": true        },        "truncateAfterCompaction": true,        "maxActiveTranscriptBytes": "20mb",        "notifyUser": true,        "model": "zhipu/glm-4-flash"      }    }  }}

配置速查：

• mode: "safeguard"
  
   → 保守模式，只在接近溢出时触发
• midTurnPrecheck
  
   → 工具调用循环中实时检查
• memoryFlush
  
   → 压缩前先存记忆
• truncateAfterCompaction
  
   → 压缩后轮转日志
• maxActiveTranscriptBytes: "20mb"
  
   → 20MB 触发阈值
• notifyUser
  
   → 压缩时通知用户
• model: "zhipu/glm-4-flash"
  
   → 用免费模型做摘要

所有子 agent 默认继承此配置，无需逐个设置。

📊 实战效果对比

场景：让 Agent 重构一个 50 个文件的 Node.js 项目

⚠️ 注意事项

1. 首次配置后重启 agent：修改 openclaw.json 后需要重启 agent 才能生效

2. memory 目录定期清理：虽然 memoryFlush 保护了关键信息，但 memory/ 目录也会增长，建议每季度手动清理一次旧文件

3. 生产环境先测试：在正式任务前，先用小任务验证配置是否生效，观察日志轮转是否正常

🎯 总结

上下文溢出不是 bug，是设计特性——AI 需要记忆，但记忆需要管理。

OpenClaw 的这套组合拳：

四招齐出，从此你的 Agent 可以稳定运行数小时甚至数天，不再担心中途溢出前功尽弃。

喜欢的请关注一下！

本文配置已在 OpenClaw v2026.5.4 版本验证，如有更新以官方文档为准。

觉得有用？转发给也在用 OpenClaw 的朋友，一起避坑 🚀