OpenClaw小龙虾上下文管理小白指南

上下文，是AI的脑容量。作为AI智能体（Agent）的小龙虾，它的脑容量取决于你接入的大模型，大模型的上下文窗口大小，就是脑容量的大小。

如何知道，或者查询大模型上下文窗口的大小？这个一般你去服务提供商的模型介绍页面，都会有对应的内容。

以阿里云百炼为例，在模型广场中随便挑一个Qwen3.5-plus模型，通过介绍页面内容可以看出，它的上下文长度（窗口）为1M（1百万），如图：

在一个对话窗口中，所有上下文加起来的内容长度，不能超过1M，这就是所谓的上下文窗口。超过这个窗口的内容，模型就看不到了，或者叫丢失了。

用生活化的场景来描述，大家可能更好理解。你人在窗口的范围内，你就能看到窗口里面的东西，越过离开了窗口范围，两边都只能看到空墙壁。

AI智能体的能力，一个是看上下文的管理，另外一个是看调用工具。当然，今年因为是马年，所以就兴起了另外一种更为全面的概念。

叫Harness Engineering（驾驭工程），不仅成为了硅谷的热词，也是最近国内AI圈子比较火的新概念名词。

Harness又被称为马具，给马套上的一整套用具，让马能正常干活。放在AI智能体身上，就是给它设计一整套系统，让智能体能更好地干活。

Harness是上下文工程的一种进化，或者叫完善。因为Harness涉及到智能体的循环、工具、协作、记忆、自主等方面的设计。

它不是指具体的某一项技术，某一项能力，某一项工程。而是给AI智能体搭建一个操作系统，一个OS底层逻辑的构建思维。

突然扯到Harness，因为这个概念大概率会成为未来AI智能体时代，绕不过的核心。大家都会去讨论这套东西，或者说它已经成为了一种能力。

拿3月31日Anthropic意外泄露的Claude Code源代码的事件来说，业内关注的是Claude Code这个AI编程智能体的Harness Engineering设计。

一个世界顶级的AI智能体，是如何搭建底层操作系统的。这对于很多正在研究和研发相关产品的公司和团队而言，具有极大的参考借鉴意义。

而不是说拿这套源代码去修修改改，套个壳变成自己的产品。俗话说授人以鱼不如授人以渔，人家的这次失误，给我们的是学会去钓鱼的机会。

回到今天的主题，上下文管理作为Harness Engineering所设计的操作系统中的一部分，对于我们玩转OpenClaw小龙虾而言，重要性也很大。

大部分小白用户是不知道有这样一套规则体系存在的，在实际养虾的过程中，经常会遇到上下文窗口爆满，不知所措的情况。

最明显的问题就是小龙虾突然失忆，忘记了几小时前的对话内容。对话进行到一半，小龙虾报错说上下文太长。

接入一些小模型，尤其是本地使用Ollama部署的小模型时，经常因为小模型本身上下文窗口太小，导致没聊几句，窗口就爆满。

经过一轮的长对话后，发现小龙虾越来越傻，回复也越来越慢，甚至开始胡言乱语，中英文混合输出。

对于以上上下文窗口爆满的情况，小龙虾的处理逻辑一般包括压缩和修剪。压缩好理解，只保留核心主题，摘要。修剪是删除工具输出的结果。

当然，这跟新开会话不是一回事，主要是面向当前的会话。而OpenClaw小龙虾的上下文管理，跟记忆系统管理是息息相关的。

如果小伙伴对OpenClaw的记忆系统还不是很了解，可以回看老马上两篇文章：OpenClaw记忆系统全面解析，打造不会失忆的小龙虾，OpenClaw小龙虾记忆系统实战小白指南。

下面老马将从OpenClaw的5层上下文管理策略，如何避免上下文溢出，以及优化你的上下文使用三个方面给大家介绍清楚。

第一层：会话隔离（Session Isolation）

会话隔离就是不同的渠道对话使用不同的会话，它们之间互不干扰。每个会话都是独立管理上下文，这样能够避免无关的内容占用上下文。

举个例子，你的OpenClaw小龙虾同时接入了QQ机器人和微信Clawbot机器人。此时，你正在通过这两个渠道跟小龙虾聊天。

这里两个渠道的会话就是隔离的，不会串门的，同时上下文各自独立。不会说你QQ机器人这边聊得多了，微信机器人这边的上下文就会受影响。

同理，不同Agent之间的会话也是隔离的，上下文一并如此。假设你除了一个叫main的主Agent之外，还另外创建了Coder、Writer两个子Agent。

三个Agent都可以单独挨个去对话，而且他们之间的会话记录跟上下文没有关联。你给main安排的任务，Coder跟Writer不知道。

因此多Agent要进行协作，就必须打通之间会话，把每条独立的电话线串起来，俗称跨会话通信，一般使用sessions_send工具去完成。

OpenClaw的会话隔离机制默认是开启的，属于核心的设计原则之一，它体现在OpenClaw.json里面的配置内容如下：

{  "session": {    "dmScope": "per-channel-peer"  // 按渠道隔离  }}

以上配置内容仅供你了解知晓，并不需要你自己去设置。其中per-channel-peer就是按渠道和发送者共同隔离会话的值。

除了设置per-channel-peer模式之外，session.dmScope还有4个可选值：

根据以上表格，如果你是多Agent，多Bot机器人账号的情况下，per-account-channel-peer是可选的配置值。

当然这里老马只是拓展一下知识内容，一般情况下你保持官方默认per-channel-peer配置值即可，不需要去改动。

第二层：每日重置（Daily Reset）

每日重置是针对会话的，相当于OpenClaw每天在凌晨4点的时候，会自动帮你开启新的会话，哪怕你之前的会话窗口还没关闭，或者没通过/new命令启动过新会话。

这种重置是强制性的，能让每天的会话都是新的开始，避免昨天的历史包袱累积。类似于睡了一觉醒来，把昨天堆积的上下文都清理干净了，排空了记忆。

除了昨天的上下文记忆会整理成摘要总结，保存在每日记忆里面。其它细枝末节的东西，通通抛弃掉，可以认为是更为彻底的压缩，压到渣都不剩。

每日重置在OpenClaw.json文件中搜一下dailyAt字段，如果没有，则需要手动配置开启，具体的配置内容如下所示：

{  "session": {    "reset": {      "dailyAt": "04:00"  // 每天 4 点重置    }  }}

你觉得凌晨4点不好，想修改一下，那随便你修改时间的配置值。开启每日重置的好处就不用说了，就是为了更好地管理你的上下文。

第三层：空闲超时重置（Idle Reset）

空闲超时重置类似于每日重置，也是针对会话空闲时间达到设定的时间值，自动清空会话的上下文，重新开启一个新会话。

OpenClaw系统默认设置的是120分钟超时，即120分钟内，你没有再跟你的小龙虾聊过天，不管是通过什么渠道，QQ机器人，微信机器人都算。

那么2个小时后，系统就会自动开启一个新的会话，之前的老会话就失效了，上下文也失效了。

这样也是为什么空闲超时重置之后，有些小伙伴会懵逼。明明刚才跟小龙虾都描述过任务的背景信息了，告诉它我电脑上有什么文件需要处理了。

怎么隔了几个小时回来再聊，它就什么都忘记了。每日重置同样如此，有小伙伴反馈是隔天小龙虾就忘记了昨天的事情。

基本上原因就是会话被重置了，重新开启了新会话，原有的上下文丢失了。而新会话没来得及加载昨天的记忆文件，或者昨天的记忆文件没保存，导致无法加载。

如果加上长期记忆文件MEMORY.md也没记录摘要重点，那就等于基本失忆了。因此优化好记忆系统很重要，记得翻看老马之前的文章多多回顾。

空闲超时重置在OpenClaw中默认没有开启，需要手动配置开启，具体的配置内容如下所示：

{  "session": {    "reset": {      "idleMinutes": 120  // 2 小时无活动重置    }  }}

空闲超时重置老马觉得保持默认不开启也没多大关系，不然会影响当天的上下文完整度，老是隔两个小时被重置一次也挺烦的。

第四层：自动压缩（Auto-Compaction）

上下文在达到阀值时，系统会自动帮我们压缩。经常使用OpenClaw的Web UI网页控制台界面，去跟小龙虾的聊天的小伙伴就知道。

经常会有一句提示正在压缩中，这其实就是在压缩上下文。自动压缩会涉及到三个值，一个是contextTokens（已经达到的token数）。

contextWindow（上下文窗口数），reserveTokens（预留的安全token数）。一般来说contextTokens要大于contextWindow减去reserveTokens。

如果把contextWindow比作一个杯子，那上下文窗口就是一个杯子的容量，比如是1000毫升。contextTokens是已经喝了的水量，比如是850毫升。

reserveTokens是预留的安全水量，防止水倒得过满溢出来，比如是200毫升。当已喝的水量 (850毫升) > 杯子容量 (1000毫升) - 安全水量 (200毫升)时，即850毫升 > 800毫升。

此刻就触发到了自动压缩的阀值，该倒掉一些旧水了，该压缩一些旧的上下文了，不然杯子里的水就要溢出来了。

可能这里小伙伴还没反应过来，还不能理解，怎么已喝的水量大于800毫升就得压缩上下文了。很简单，咱们把已喝水量，换成往空杯子里倒水。

空杯子，即上下文窗口，contextWindow是1000毫升，对不对。安全水量是不变的，还是200毫升。当杯子里面倒了850毫升的contextTokens了，那是不是就达到800毫升自动压缩的阀值了，这样估计更好理解。

自动压缩机制在OpenClaw中是默认开启的，当你的上下文快满时，就会自动压缩旧的会话，具体的配置内容如下所示：

{  "agents": {    "defaults": {      "compaction": {        "mode": "safeguard",      // 保护模式        "model": "claude-sonnet-4" // 用更好的模型压缩      }    }  }}

我们看上面配置内容中的mode模式，默认是safeguard保护模式，即在必要时自动压缩。必要时压缩分为三个档位，轻度、中度、重度。

轻度是指上下文窗口使用率已达到50-70%时，触发轻度警告，系统会压缩最早的对话，保留最近20-30条。

中度是指上下文窗口使用率已达到70-90%时，触发中度警告，系统会压缩后，总结旧对话写入记忆文件。

重度是指上下文窗口使用率已达到90%以上时，触发重度警告，系统会进行紧急压缩，只保留最近5-10条对话和关键记忆。

这个值也可以设置成auto自动模式，即达到阀值时自动压缩。此外还有manual模式，就是手动触发，需要你手动输入命令/compact进行压缩。

第五层：记忆持久化（Memory Persistence）

记忆持久化，就是在压缩上下文之前，提前将重要信息写入记忆文件，整个过程跟自动流水线作业差不多，不需要你人工去干预的。

系统检测到即将压缩上下文了，马上提醒小龙虾保存重要信息到记忆文件，小龙虾开始写入MEMORY.md或memory/YYYY-MM-DD.md。然后开始执行上下文压缩，下次会话时，再从记忆文件读取关键信息。

记忆文件再次啰嗦一下，一般保存的路径是.openclaw\workspace目录下，主要文件有MEMORY.md长期记忆文件，以及子目录memory下的2026-04-01.md的日常记忆文件。

避免上下文溢出的情况，我们一般会用到四个技巧，分别是使用压缩命令，开启新会话，利用记忆系统保存关键信息，定期清理旧会话。

其它的机制咱们就不讨论了，因为前面的5层的上下文管理策略，也算是系统默认自带的，防止上下文溢出的方式，虽然有些默认没开启，但你可以选择是否开启。

1、合理使用/compact命令

假设当前会话窗口中，对话的次数已经超过了50轮次，这已经算是一个长对话了，此时，就可以输入/compact命令，手动压缩一下上下文。

或者你已经完成了一个项目阶段，一个任务的阶段，在准备开始新话题之前，同样可以运行/compact命令，好处是避免上下文之间有交集，对接下来的新项目和新任务产生干扰。

2、使用/new开启全新会话

当你需要清空当前会话历史，开启一个全新的对话窗口，不想保留任何上下文的时候，输入/new命令即可。

还有一种极端的情况，由于OpenClaw的Web UI网页控制台体验较差。有可能会遇到一直提示正在自动压缩上下文，整个页面卡住很长时间。

这时可以试试直接运行/new命令开启新会话，摆脱这种页面长时间假死的状态。

3、利用记忆系统保存关键信息

这个技巧也算是一种好习惯，当你遇到一些重要的信息时，多习惯性地跟小龙虾说一句，把这段内容，或者这句话，写入到长期记忆中。

比如：我常用的编程语言是Python，数据库是PostgreSQL，请记住。像这样就是手动让小龙虾利用记忆系统保存关键信息的方法。在上下文没被自动压缩前，手动做的一个动作。跟记忆持久化不一样，人家是自动的。

4、定期清理旧会话

首先通过输入下面的命令，查看会话列表：

openclaw sessions list

再使用以下命令，预览和执行清理旧会话：

# 预览将要清理的会话openclaw sessions cleanup --dry-run# 执行清理openclaw sessions cleanup --enforce

如果你觉得每次都要手动输入命令去操作太麻烦，那可以在OpenClaw.json里面添加下面的配置内容，设置成自动清理。

当然，手动去修改配置文件，添加配置会比较容易出错。你可以用自然语言跟小龙虾说，帮我设置一下配置文件，自动清理旧会话的机制。30天后自动清理，最多只保留500个会话，会话文件最多占用100mb磁盘空间。

那么以上自然语言对应的配置内容，就如下面的json内容所示，其实意思都是一样的：

{  "session": {    "maintenance": {      "mode": "enforce",      "pruneAfter": "30d",      // 30 天后清理      "maxEntries": 500,        // 最多保留 500 个会话      "maxDiskBytes": "100mb"   // 最多占用 100MB 磁盘    }  }}

优化上下文使用属于相对比较高阶一点的配置，一般小伙伴们用不上，上面介绍的5层上下文管理策略，以及避免上下文溢出的技巧，已经足够了。

还想进一步优化的话，就会涉及到多模型的接入，调整预留的token数，启用会话修剪，自定义压缩提示词这四个方面。

一、使用更好的模型进行压缩

以前你压缩上下文的效果比较差，容易丢失重要信息，导致压缩之后，记忆没了，多半原因是使用了参数量较小的小模型。

小模型去负责压缩上下文是不行的，得使用大模型压缩。尤其是在本地使用Ollama部署的小伙伴，绝大部分都是部署的小模型，硬件限制了。

大模型没几个家里有矿的，有那么多高端显卡部署得起来。因此，小模型可以用于日常对话，大模型用来压缩上下文，彼此配合。

这就会涉及到多模型接入，对此不了解的小伙伴，可以回看老马之前的文章：OpenClaw接入多个模型实现自动手动切换配置。

使用小模型对话，日常还比较省token，反正大多数是部署在本地跑的。用大模型压缩上下文，质量高，能够保留关键信息到记忆文件中，总而言之就是成本更低，性价比高。其配置文件内容如下：

{  "agents": {    "defaults": {      "model": "ollama/llama3.1:8b",  // 日常用小模型      "compaction": {        "model": "openrouter/anthropic/claude-sonnet-4-6"  // 压缩用大模型      }    }  }}

二、调整预留token数

还记得老马上文中提到的喝水的例子么，reserveTokens是安全水量，也就是预留的token数，可以稍微设置多一些，假设比200毫升多100毫升。

预留太少，就很容易导致水溢出来，tokens溢出来，这个例子就不再重复介绍了。其配置文件的内容如下所示：

{  "agents": {    "defaults": {      "compaction": {        "reserveTokens": 32768,    // 预留 32k tokens        "keepRecentTokens": 40000  // 保留最近 40k tokens      }    }  }}

从上面配置内容可以看出，reserveTokens预留的是32k的tokens，即32000tokens，以上配置内容需要你手动去修改配置文件进行设置。

一般来说，小模型（假设是8B），可以预留16K（16384）tokens。中模型（假设70B），预留32K（32768）。大模型（假设220B），预留64K（65536）tokens。

三、启用会话修剪

会话修剪上文中提过一嘴，修剪后能够保留对话的主干，主要信息，去除掉过长的工具输出内容，节省大量的token。

像小龙虾在调用工具时，输出的一些内容基本对用户来讲是没有多大意义的，它只需要知道调用哪个工具，完成什么样任务这些重点就行了。因此可以把无意义的上下文内容修剪掉，其配置文件内容如下：

{  "agents": {    "defaults": {      "pruning": {        "enabled": true,        "maxToolOutputTokens": 2000  // 工具输出最多 2k tokens      }    }  }}

从上面的配置内容中可以看出，maxToolOutputTokens就是设定工具在被调用时，最多能输出多少tokens的内容，超出的直接修剪掉。同样的，以上配置内容需要你手动去修改配置文件进行设置。

四、自定义压缩提示词

自定义的压缩提示词其实是一句Prompt提示词，老马贴出来仅供大家参考，要不要去手动在配置文件设置，看大家的需求。

如果配置了，它就相当于给自动压缩加多了一句提示词，让自动压缩有了行为的指导，压缩的标准，如下所示：

{  "agents": {    "defaults": {      "compaction": {        "prompt": "总结对话内容，重点关注：1、关键技术决策 2、待解决的问题 3、行动项和待办事项 4、对未来工作重要的背景信息"      }    }  }}

属于定制化个性化地去压缩内容，保留对你比较重要的信息，忽略无关紧要的细节。这句Prompt提示词不是固定死的，你可以根据老马上面提供的示例，按你的要求去进一步修改。

{  "agents": {    "defaults": {      "model": "claude-sonnet-4",  // 换大上下文模型      "compaction": {        "reserveTokens": 32768     // 增加预留空间      },      "memorySearch": {        "enabled": true            // 启用记忆搜索      }    }  }}

Q2: 如何查看当前上下文使用情况？

使用命令：

openclaw status

输出示例：

Session: agent:main:mainModel: claude-sonnet-4Context: 45,230 / 200,000 tokens (22.6%)Input: 12,345 tokensOutput: 8,234 tokens

Q3: 压缩上下文后小龙虾变得傻傻的怎么办？

可能原因：

压缩时摘要丢失了关键信息

解决方案：

方案1：改进自定义压缩提示词

{  "compaction": {    "prompt": "详细总结以下内容，保留所有技术细节、代码片段、决策原因"  }}

方案2：使用更好的压缩模型

{  "compaction": {    "model": "claude-opus-3"  // 用更好的模型压缩  }}

方案3：延迟压缩

{  "compaction": {    "reserveTokens": 65536  // 增加预留，延迟压缩触发  }}

{  "agents": {    "defaults": {      "memorySearch": {        "enabled": true,        "provider": "local"      }    }  }}

openclaw status

# 安全清理openclaw sessions cleanup --enforce# 手动重置会话/new