OpenClaw上下文机制深度拆解:如何让AI一直＂记得住＂

用 OpenClaw 时间长了，你会发现一个根本问题：上下文是有限的。
聊得越多，Token 消耗越大，超过模型上限就会崩溃。
OpenClaw 解决这个问题的核心机制，就是今天要说的——上下文压缩（Compaction）和上下文修剪（Context Pruning）。

先搞清楚两个基本概念

很多人在配置的时候把contextTokens和模型的上下文窗口混为一谈，其实是完全不同的两个东西：

概念	说明
模型上下文窗口	模型本身能看到的最大 Token 硬上限，不同模型差异很大
会话存储计数器	OpenClaw 写入 sessions.json 的滚动统计，用来计算何时触发压缩

contextTokens是后者——是个运行时的估算值，不是严格保证。设置得越大，触发压缩的时机越晚，保留的历史越多，但 Token 消耗也越高。

Compaction 压缩机制

压缩（Compaction）是 OpenClaw 处理长对话的核心手段。
当上下文快要溢出时，它会把较旧的消息自动压缩成一段摘要，保留最近的关键内容，让对话继续。

压缩什么时候触发？

自动压缩在两种情况下触发：

触发条件	说明
溢出恢复	模型返回上下文溢出错误 → 立即压缩 → 重试
阈值维护	每次成功回复后，检查是否超过阈值： contextTokens > contextWindow - reserveTokens

压缩一旦执行，结果是持久化的，写入会话记录，不会因为重启或重置丢失。

记忆刷新（Memory Flush）

压缩有一个关键细节：压缩前会先执行一次静默的"记忆刷新"。
在压缩发生前，OpenClaw 会悄悄运行一个后台任务，把关键上下文写入工作区的 memory 文件，防止重要记忆被压缩掉。

这个刷新是静默的（用户完全看不到），每个压缩周期只运行一次，由 sessions.json 跟踪。

Context Pruning 上下文修剪

压缩是持久化的，修剪（Pruning）是另一种清理机制，是非持久化的。

修剪针对的是工具调用结果和中间缓存——这些信息在长对话里会不断累积，占用大量 Token，但压缩不会清理它们。

推荐配置详解

用户提供的参考配置，覆盖了最关键的两个机制：

Compaction 配置

参数	值	说明
contextTokens	`200000`	运行时上下文估算上限
mode	`default`	标准压缩模式
reserveTokens	`20000`	为提示+输出保留的空间
keepRecentTokens	`40000`	压缩后保留的最近 Token 数

Context Pruning 配置

参数	值	说明
mode	`cache-ttl`	按 TTL 清理缓存
ttl	`1h`	缓存有效期 1 小时
keepLastAssistants	`3`	保留最近 3 条助手消息
softTrimRatio	`0.3`	软清理比例 30%
hardClearRatio	`0.5`	硬清理比例 50%

安全下限

OpenClaw 还有一个强制安全机制：
compaction.reserveTokens有一个默认下限20000，即使你设置更低，OpenClaw 也会自动提升到这个值。

原因是：为压缩发生前的"内务处理"（比如记忆写入）留足空间。

Telegram 通道独立配置

参数	值	说明
dmHistoryLimit	`50`	私聊历史保留 50 条

完整配置示例

把以下配置添加到你的openclaw.json里：

"agents": {
  "defaults": {
    "contextTokens": 200000,
    "compaction": {
      "mode": "default",
      "reserveTokens": 20000,
      "keepRecentTokens": 40000
    },
    "contextPruning": {
      "mode": "cache-ttl",
      "ttl": "1h",
      "keepLastAssistants": 3,
      "softTrimRatio": 0.3,
      "hardClearRatio": 0.5
    }
  }
}

"channels": {
  "telegram": {
    "dmHistoryLimit": 50
  }
}

说在最后

上下文管理是 OpenClaw 保持长期记忆能力的核心。
如果发现 AI 经常"忘记"之前说过的内容，优先检查这两个配置：

•keepRecentTokens是不是太小（建议 40000 起）
•reserveTokens是不是太低（建议 20000 起）

理解这套机制，才能真正让 OpenClaw 成为可靠的长期助手，而不是每次对话都从零开始。

感谢阅读，欢迎点赞、转发，推荐！

如果对你有帮助，记得关注我