lossless-claw:让Openclaw拥有永不丢失的记忆

"信息是熵。" — 克劳德·香农

香农告诉我们，信息即不确定性。而上下文丢失，就是 AI Agent 最大的信息熵增。lossless-claw 试图做的，就是用有向无环图对抗这种熵增，让 AI 的每一次对话都成为可追溯、可逆、可持续积累的记忆。

1. 来历：为什么会有这个插件

OpenClaw（绰号"大龙虾"）是 2026 年最受关注的开源 AI Agent 框架，GitHub 星标已突破 28 万。但它有一个天然的缺陷——上下文窗口有限。

默认模式下，OpenClaw 和大多数 Agent 一样：当上下文快要满时，会不断截断旧消息。这就像一个人每次只能记住最近 10 分钟的对话，之前的细节全部丢失。研究者称之为 AI 的"失忆症"。

2026 年 3 月，OpenClaw 迎来了一个大版本更新（v3.x），引入了 Context Engine 插件接口。这是一个关键的设计变化——它将上下文管理逻辑从核心框架中解耦出来，通过插槽式注册表和配置驱动解析，让开发者可以接入不同的上下文管理策略。

Martian Engineering 团队（就是开发 lossless-claw 的那群人）抓住了这个机会。他们认为：与其在核心框架里修修补补，不如重新设计一套无损的上下文管理机制。于是 lossless-claw 诞生了。

2. 原理：基于 DAG 的无损上下文管理

lossless-claw 的全称是 LCM (Lossless Context Management) plugin for OpenClaw，中文可以叫"无损上下文管理插件"。它的核心技术基于 有向无环图（DAG）。

2.1 滑动窗口的困境

传统 Agent 的上下文管理方式通常是"滑动窗口"——当上下文快满时，丢弃最早的消息，保留最新的。这导致两个问题：

1. 1. 信息丢失：早期的重要细节无法回溯
2. 2. 语义断层：被截断的对话可能让 AI 误解后续上下文

2.2 DAG 的解决思路

lossless-claw 采用了完全不同的策略。它不再简单丢弃旧消息，而是：

1. 1. 持久化存储：所有历史消息都被永久存储，而不是截断后丢弃
2. 2. 增量摘要：当消息量增长时，系统会自动生成摘要节点，压缩历史信息
3. 3. DAG 结构：用有向无环图组织消息节点，保留消息间的依赖关系和推理路径
4. 4. 智能检索：Agent 可以随时回溯到任意历史节点，获取完整细节

你可以把 DAG 想象成一棵不断生长的树——新的对话是树枝，旧的对话不会消失，而是变成年轮。AI 可以在任何时候调取"年轮"中的信息。

2.3 核心特性

• • 无损：完整保留每条原始消息，不丢失任何细节
• • 可逆：摘要过程可逆，可以从摘要还原原始信息
• • 增量：不需要每次都重新压缩，只处理增量部分
• • 高保真：保留原始语义和推理路径，AI 不会误解上下文

3. 核心机制：它是如何工作的

3.1 消息存储层

当用户与 OpenClaw 对话时，每条消息都会经过以下处理：

1. 1. 消息捕获：所有用户消息和 AI 回复都被捕获
2. 2. 节点创建：每条消息作为一个节点存入 SQLite 数据库（默认路径 ~/.openclaw/lcm.db）
3. 3. 边建立：消息间的引用关系、父子关系被记录为图的边，形成 DAG 结构
4. 4. 摘要触发：当节点数量达到阈值时，触发摘要生成

原始消息永久保存在数据库中，摘要节点会记录其对应的原始消息——这意味着 AI 可以随时"深入"任意摘要，还原出完整的原始细节。

3.2 Agent 工具

lossless-claw 为 Agent 提供了三个内置工具，用于检索和回溯历史上下文：

• • lcm_grep：在历史消息中搜索关键词或正则表达式
• • lcm_describe：获取某个历史节点的详细信息
• • lcm_expand_query：深入摘要节点，还原被压缩的原始消息

这三个工具让 AI 在需要时能够主动查询"记忆"，而不只是被动等待上下文窗口的投喂。

3.2 摘要生成策略

这是 lossless-claw 最核心的创新。它不是简单地将 100 条消息压缩成 10 条，而是：

1. 1. 活跃上下文优先：确保当前对话的核心内容始终在上下文窗口内
2. 2. 语义保留：摘要时保留关键推理链和重要事实
3. 3. 引用可达：从摘要节点可以追溯到原始消息节点

3.3 上下文窗口管理

对于模型来说，lossless-claw 提供了一个"虚拟上下文窗口"：

• • 窗口内是当前最活跃的对话 + 必要的摘要
• • 窗口外的信息存在 DAG 中，随时可以调取
• • Agent 可以在任何时候发送"回溯请求"，获取历史细节

3.4 推荐配置参数

根据官方文档，推荐的起始配置为：

摘要模型优先级（从高到低）：

1. 1. LCM_SUMMARY_MODEL / LCM_SUMMARY_PROVIDER 环境变量
2. 2. 插件配置中的 summaryModel / summaryProvider
3. 3. OpenClaw 默认压缩模型
4. 4. 遗留的 per-call 模型提示

3.5 Session 管理

lossless-claw 支持排除特定 session 不参与 LCM 存储。通过 ignoreSessionPatterns 可以配置哪些 session 应被完全忽略（不创建、不存储、不压缩）。模式支持 glob 语法：

• • * 匹配除冒号外的任意字符
• • ** 匹配任意字符包括冒号

例如 agent:*:cron:** 可排除所有 cron 相关的 session。

4. 安装部署

4.1 环境要求

• • OpenClaw 版本 >= 2026.3.7（支持 Context Engine 插件接口，v2026.3.7 是首个引入该接口的版本）
• • Node.js >= 22（推荐 v22 LTS，低版本可能导致兼容性问题）
• • 足够的存储空间用于持久化消息

4.2 安装步骤

第一步：安装插件

openclaw plugins install @martian-engineering/lossless-claw

第二步：配置（通常无需手动编辑）

openclaw plugins install 命令会自动完成插件注册和 contextEngine 槽位配置。在大多数情况下，不需要手动编辑配置文件。

如需手动配置，在 openclaw.json 中设置插件槽位：

{  "plugins": {    "slots": {      "contextEngine": "lossless-claw"    }  }}

如需自定义 lossless-claw 参数（如摘要模型、上下文阈值等），在 plugins.entries 中配置：

{  "plugins": {    "entries": {      "lossless-claw": {        "enabled":true,        "config": {          "freshTailCount": 32,          "contextThreshold": 0.75,          "incrementalMaxDepth": -1,          "summaryModel": "anthropic/claude-haiku-4-5"        }      }    }  }}

第三步：重启服务

openclaw gateway restart

4.3 验证安装

安装完成后，可以运行以下命令验证：

openclaw plugins list

确认 lossless-claw 处于 active 状态即可。

4.4 OpenClaw Session 保活配置

LCM 负责压缩和记忆，但 OpenClaw 自身的 session 重置策略需要单独配置。如果发现 session 很快被重置，需要调整 session.reset.idleMinutes：

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

常用值参考：1440 = 1 天，10080 = 7 天，43200 = 30 天。对于长期 LLM 使用场景，建议至少 7 天。

5. 进阶文档

lossless-claw 提供了多份详细文档：

• • Configuration guide：完整配置参考
• • Architecture：架构设计详解
• • Agent tools：工具使用说明
• • TUI Reference：终端 UI 参考
• • FTS5 全文搜索：可选的高性能搜索加速

6. 对 OpenClaw 生态的意义

6.1 解决长期记忆问题

这是最直接的价值。OpenClaw 本身是一个强大的 Agent 框架，但缺乏长期记忆能力。lossless-claw 补上了这最后一块短板，让 Agent 可以在多轮对话中持续学习和积累。

6.2 插件生态的示范

Context Engine 插件接口的引入，让 OpenClaw 从一个封闭的框架变成了可扩展的平台。lossless-claw 是第一个重量级的实现，证明了插件系统的可行性。可以预见，未来会有更多插件涌现——不同的记忆策略、不同的压缩算法、不同的检索机制。

6.3 企业级应用的基础

对于需要在复杂任务中保持上下文的场景（如代码审查、长期项目跟进、多步骤数据分析），无损上下文管理是刚需。lossless-claw 让 OpenClaw 从"玩具"变成"生产力工具"成为可能。

6.4 推动 AI Agent 记忆研究

从更宏观的角度看，lossless-claw 代表了一种新的研究方向——如何在有限的上下文窗口内实现近乎无损的记忆。它结合了传统信息检索和现代大模型压缩技术，为其他 Agent 框架提供了可借鉴的思路。

7. 局限与展望

当然，lossless-claw 也不是银弹：

• • 存储成本：所有消息永久存储，长期使用后存储量可观
• • 摘要质量：摘要生成依赖底层 LLM 的能力，摘要质量参差不齐可能影响效果
• • 性能开销：DAG 管理和检索比简单滑动窗口更耗时

这些问题随着技术演进会逐步改善。Martian Engineering 团队也在持续迭代，GitHub 上已有 166+ commits 的活跃维护记录。

璞奇启示

lossless-claw 对学习类产品的启示在于**"渐进式知识巩固"**机制。

第一，信息的持久化存储是学习的基础。

lossless-claw 的核心洞察是：信息不应该被简单地丢弃，而应该被结构化地保留。这对应到学习场景，就是"笔记"的价值——碎片化的知识点需要被持久化存储，才能在需要时被调取。璞奇的练习系统本质上也是一种"知识持久化"——将用户学习的内容转化为可检验的练习记忆。

第二，摘要（压缩）能力决定了知识的可用性。

lossless-claw 的摘要不是简单裁剪，而是保留了关键的推理链。学习同样如此——单纯的死记硬背效果有限，只有将知识压缩为可迁移的"心智模型"，才能在新的场景中灵活运用。璞奇的 AI 练习生成，正是试图帮助用户建立这种压缩后的知识结构。

小结

香农的熵理论告诉我们：信息不会凭空消失，只会转移。lossless-claw 正是这句话的践行者——它不丢弃信息，而是用 DAG 重新组织信息，让 AI 在有限的窗口内看到近乎无损的上下文。

对于 OpenClaw 生态而言，lossless-claw 不只是一个插件，更是一种范式转变的信号：AI Agent 的记忆问题，终于有了靠谱的解决方案。

好的工具，让 AI 善假于物，也让人善假于 AI。

信息说明

• • 关于 lossless-claw 的详细信息，以 GitHub 仓库 的最新文档为准
• • 关于 OpenClaw Context Engine 插件接口，以 OpenClaw 官方文档 为准