夜雨聆风AGENT-005 · Day 2 副文 A
网上流传着很多「OpenClaw 最佳配置」，直接复制粘贴，一行解释都没有。
这种配置用起来可能有效，但你不知道为什么有效，也不知道什么情况下它会失效，更不知道自己的使用场景是不是真的适合这套数字。
今天把 compaction 相关的参数逐一拆开，不只说建议值，说每个数字背后的逻辑——以及调大调小各自会发生什么。
先理解：compaction 在保护什么
Compaction 要解决一个根本矛盾：上下文有限，但对话无限。
它的任务是：在上下文快满的时候，把旧内容压缩成摘要，为新内容腾出空间。但「压缩」这件事本身有代价——细节会丢失，复杂的约束会被简化，语气和强调会消失。
所以 compaction 的参数设置，本质上是在回答一个问题：你愿意用多少上下文空间，换来多少近期内容的完整保留？
没有绝对的最优解，只有适合你使用模式的合理权衡。
参数一：mode
两个选项："default" 和 "safeguard"
"default" 是激进模式：上下文快满时，大刀阔斧地压缩，优先腾出空间，不太在乎近期内容的完整性。
"safeguard" 是保守模式：压缩时会主动保护近期内容，宁愿压缩得少一点、多触发几次，也要保证你最近说的话不被摘要掉。
**为什么建议用 "safeguard"**：对大多数工作场景来说，你最近说的话是最重要的。你刚刚给出的纠正、刚刚确认的方向、刚刚提到的约束——这些比三小时前的背景介绍要紧得多。"default" 模式下，这些近期内容和旧内容同等对待，有可能在压缩中一起被摘要掉。
**什么时候用 "default"**：如果你主要用 OpenClaw 做长时间运行的批处理任务，对话本身不重要，重要的是输出结果，那么激进压缩是合理的——不需要保护对话细节，需要的是尽可能长的运行时间。
参数二：keepRecentTokens
建议值：20000
它控制什么：从当前位置往回数，保护最近这么多 token 的内容不被压缩。设置为 20000，意味着最近约 2 万个 token 的对话内容，即使触发了 compaction，也会被完整保留，不做任何摘要处理。
默认值的问题：默认值非常低，保护的范围很小。你刚说的内容，可能已经在保护范围之外了。
代价是什么：这个数字越大，能用来装「其他内容」的空间就越少。20000 token 的保护区，大约是 15000-16000 个中文字，相当于一篇中等长度的技术文档。这部分空间是专门「锁起来」给近期对话用的，不能被工具调用结果或其他文件占用。
调大的后果：保护更多近期内容，但能用于长文档处理或复杂工具调用的空间变少，可能导致某些任务无法在一次对话里完成。
调小的后果：近期对话保护减少，AI 开始「忘记」你最近说的事，会话内失忆问题出现。
参数三：recentTurnsPreserve
建议值：4
它控制什么：保留最近完整的 N 轮对话（一问一答算一轮），这些轮次完全不做摘要，原文保留。
和 keepRecentTokens 的区别：keepRecentTokens 是按 token 数量保护，recentTurnsPreserve 是按对话轮次保护。两者同时生效，取保护范围更大的那个。
为什么需要两个？因为 token 数量和轮次是两个维度的度量。一个很简短的对话可能有 10 轮，但 token 很少；一个很深入的单次回复可能消耗大量 token，但只算 1 轮。两个参数配合，能更精确地描述「你想保留的近期内容」。
设置为 4 的逻辑：4 轮对话通常足以覆盖一个完整的工作单元——你提问、AI 回答、你纠正、AI 修正。保留这 4 轮，基本能保证当前工作的连贯性。
设置更高：适合长篇创作或复杂分析场景，需要 AI 在写作过程中始终记得早期确定的方向。但会进一步压缩其他内容的空间。
参数四：maxHistoryShare
建议值：0.7
它控制什么：历史内容（被压缩后的摘要）最多能占整个上下文窗口的多少比例。设置为 0.7，意味着历史内容最多占 70%，剩余 30% 留给当前对话、工具调用结果和模型回复。
为什么不能设到 0.9 或 1.0：如果历史摘要占满了 90% 的空间，留给当前对话的空间只有 10%。这时 AI 一个复杂的工具调用结果可能就把剩余空间填满，导致无法正常回复，甚至触发新的压缩——陷入连锁反应。
0.7 是一个经验值：给历史内容足够的空间，让 AI 有长期记忆；也给当前操作留出足够的余量，不会在关键时刻「卡住」。
设置更低（比如 0.5）：对话的有效历史更短，AI 更快忘记早期内容，但每次交互的空间更宽裕，适合需要大量工具调用或处理长文档的场景。
参数五：reserveTokens
建议值：30000
它控制什么：预留给模型输出的最小空间。无论上下文有多满，这部分空间不会被占用，专门留给 AI 生成回复。
太低会怎样：如果 reserveTokens 设得很小，当上下文接近上限时，AI 可能只剩几百个 token 用来回复——它会开始截断回答，或者说「因为上下文限制，我无法完整回答」。这在工具调用返回大量数据的时候尤其容易发生。
为什么是 30000：足够 AI 生成一份完整的分析报告或多步骤工作流的结果。如果你的任务主要是短对话，可以适当调低；如果你常常让 AI 生成长文档，可以调高到 40000-50000。
context pruning：工具调用的隐形杀手
Compaction 参数调好了，还有一个容易被忽略的问题：工具调用的输出。
每次 AI 用 web_fetch 抓了一个网页，或者读了一个大文件，那个原始输出就留在上下文里——不是对话，但占用大量 token。一次抓取可能消耗 5000-10000 token，十几次之后，有用的对话内容就被挤出去了。
这是会话内失忆的另一个来源，和 compaction 完全无关，但同样破坏性。
解决方案是开启 context pruning：
agents.defaults.contextPruning: mode: "cache-ttl" ttl: "2h" keepLastAssistants: 10 minPrunableToolChars: 2000cache-ttl 模式：工具调用的原始输出在超过 TTL 时间后自动从上下文移除。2 小时是一个合理的值——足够在同一个工作会话里用到，但不会无限期占用空间。
minPrunableToolChars: 2000：只清理超过 2000 字符的工具输出。短的工具结果（比如查一个日期）通常没必要清理；占大量空间的长输出（爬取的网页、读取的文档）才是清理目标。
postCompactionSections：压缩后为什么规则会漂移
最后一个容易被忽略的问题：compaction 发生之后，AGENTS.md 里的规则还在不在？
理论上在——因为 AGENTS.md 是系统提示的一部分，不会被 compaction 压缩。但实际使用中，很多人发现长会话之后 AI 开始「忘记」早期确认的行为规则。
原因是：compaction 会产生一段新的摘要，这段摘要被插入上下文，覆盖了一部分原来的内容。如果摘要和 AGENTS.md 的某些指令有隐性冲突，模型会在两个「信号」之间做权衡，早期的规则可能在权衡中被降权。
修复方式是配置 postCompactionSections：在 compaction 触发之后，自动把 AGENTS.md 里的关键规则重新注入一次，相当于在每次压缩后「提醒」模型你的核心约束：
发给 Agent 执行：更新 OpenClaw 配置，在 agents.defaults.compaction.postCompactionSections里添加我 AGENTS.md 里「不变的底线」和「判断优先级」这两个章节，在每次 compaction 后重新注入。根据你的使用模式选参数
没有通用的最优配置，只有适合你场景的配置：
短会话为主（每次对话 30 分钟以内）：compaction 很少触发，重点在于开启 context pruning 清理工具输出，以及配置好手动存档的习惯。参数调整收益有限。
长会话为主（同一对话持续几个小时）：所有参数都值得认真设置。keepRecentTokens 调到 25000-30000，recentTurnsPreserve 调到 6，reserveTokens 根据你的任务类型调整。
长期运行的定时任务（cron job 类型）：mode 可以用 "default"，优先运行时间而不是对话细节的保留。重点是配置好 postCompactionSections，确保规则在多次压缩后依然生效。
配置模板（直接发给 Agent 执行）：
更新我的 OpenClaw compaction 配置（agents.defaults.compaction）：- mode: "safeguard"- keepRecentTokens: 20000- recentTurnsPreserve: 4- maxHistoryShare: 0.7- reserveTokens: 30000同时更新 context pruning 设置（agents.defaults.contextPruning）：- mode: "cache-ttl"- ttl: "2h"- keepLastAssistants: 10- minPrunableToolChars: 2000