乐于分享
好东西不私藏

OpenClaw 开发系列:第6篇-上下文引擎 — 控制 Agent 的「视野」

OpenClaw 开发系列:第6篇-上下文引擎 — 控制 Agent 的「视野」
前置阅读第 0 篇 — 开放系统全景 | 第 1 篇 — Plugin SDK 入门

本篇讲解 OpenClaw 的上下文引擎机制。上下文引擎决定了 Agent 在每次推理时能「看到」哪些信息——对话历史、系统提示、工具定义、记忆检索结果等。理解上下文引擎,就是理解如何精确控制 Agent 的信息输入。


01

什么是上下文引擎

每次 Agent 进行推理(调用 LLM),它需要接收一组输入信息。这组输入信息就是「上下文」,通常包括:

  • 系统提示(System Prompt):定义 Agent 的角色和行为规则

  • 对话历史(Conversation History):当前会话中的历史消息

  • 工具定义(Tool Definitions):Agent 可调用的工具列表

  • 记忆检索(Memory Retrieval):从长期记忆中召回的相关信息

  • 技能内容(Skill Content):当前激活的技能指令

  • 用户上下文(User Context):用户偏好、会话状态等

上下文引擎的职责就是:将这些分散的信息组装成一个有序的、符合模型上下文窗口限制的输入序列


02

独占插槽机制

上下文引擎是 OpenClaw 的独占插槽——同一时间只有一个上下文引擎处于活跃状态。

系统默认使用内置的 legacy 引擎。如果你想使用自定义引擎,需要在配置中显式指定:

{  "plugins": {    "slots": {      "contextEngine": "my-custom-engine"    }  }}

切换引擎后需要重启 Gateway:

openclaw gateway restart

独占插槽的设计原因是:上下文引擎控制的是全局的上下文构建管道,多个引擎同时活跃会导致行为不可预测。与 Provider 插件(多个可以共存)不同,上下文引擎是「零或一」的关系。


03

registerContextEngine

通过
api.registerContextEngine(id, factory) 注册自定义上下文引擎。这个方法在 register(api) 回调中直接可用。第一个参数是引擎 ID(对应配置中的 contextEngine 值),第二个参数是一个工厂函数:
api.registerContextEngine("my-custom-engine", (context) => {  // context 是引擎运行环境,提供 config、pluginConfig、logger 等  // 返回上下文引擎的实现对象  return {    // 核心方法:构建最终上下文    // 每次 Agent 推理前,OpenClaw 核心会调用此方法    async buildContext(params) {      // params 包含引擎需要的所有输入:      // - systemPrompt: 系统提示(定义 Agent 角色)      // - history: 对话历史消息数组      // - toolDefinitions: Agent 可调用的工具列表      // - memoryResults: 记忆系统检索到的相关记忆      // - skillContent: 当前激活的技能内容      // - maxTokens: 模型的上下文窗口大小限制(token 数)      // 自定义组装逻辑——决定各部分信息在上下文中的位置和优先级      const sections = [];      // 1. 系统提示(优先级最高,放在最前面)      sections.push({        role"system",        content: params.systemPrompt,        priority100, // 数字越大,优先级越高      });      // 2. 记忆召回(高优先级,紧随系统提示)      if(params.memoryResults?.length) {        sections.push({          role"system",          contentformatMemory(params.memoryResults),          priority80,        });      }      // 3. 技能内容(指导 Agent 行为的 Markdown)      if(params.skillContent) {        sections.push({          role"system",          content: params.skillContent,          priority70,        });      }      // 4. 对话历史(按时间排序,优先级最低,最先被截断)      sections.push(        ...params.history.map(msg => ({          role: msg.role,      // "user" | "assistant" | "system"          content: msg.content,          priority50,          timestamp: msg.timestamp, // 用于按时间排序        }))      );      // 排序(按优先级)→ 截断(超出窗口时丢弃低优先级内容)→ 格式化      const ordered sortAndTruncate(sections, params.maxTokens);      return ordered; // 返回最终的消息数组,传递给 Provider    },  };});

工厂函数参数

registerContextEngine 的第二个参数是一个工厂函数,接收 context 对象。context 提供了引擎运行所需的环境信息:


04

上下文构建的核心挑战

开发自定义上下文引擎时,需要解决三个核心问题:

1. 排序

不同的信息片段应该出现在上下文中的什么位置?一般的经验是:

  • 系统提示在最前面

  • 记忆和技能紧随其后

  • 对话历史按时间顺序排列

  • 最新的消息在最后

但你可能有不同的需求——例如,你可能希望将最近 3 轮对话放在记忆之前,以便 Agent 更关注当前语境。

2. 截断

模型的上下文窗口是有限的。当信息总量超过窗口大小时,需要决定丢弃什么。常见的策略:

  • 保留系统提示:系统提示通常不应被截断

  • 截断旧历史:优先保留最近的对话

  • 压缩记忆:对记忆检索结果进行摘要

  • 动态调整:根据当前任务类型调整各部分的占比

function sortAndTruncate(  sections: ContextSection[],  maxTokens: number): ContextSection[] {  // 按 priority 分组  const systemSections = sections.filter(s => s.priority >= 70);  const historySections = sections.filter(s => s.priority < 70);  // 计算系统部分占用的 token 数  const systemTokens = estimateTokens(systemSections);  // 剩余空间留给历史  const historyBudget = maxTokens - systemTokens;  // 从最新的历史开始,倒序填充  const sortedHistory = [...historySections]    .sort((a, b) => b.timestamp - a.timestamp);  const selectedHistoryContextSection[] = [];  let usedTokens = 0;  for (const section of sortedHistory) {    const sectionTokens = estimateTokens([section]);    if (usedTokens + sectionTokens > historyBudget) break;    selectedHistory.push(section);    usedTokens += sectionTokens;  }  // 按时间正序排列  selectedHistory.sort((a, b) => a.timestamp - b.timestamp);  return [...systemSections, ...selectedHistory];}function estimateTokens(sections: ContextSection[]): number {  // 粗略估算:1 token ≈ 4 个英文字符 或 2 个中文字符  const totalChars = sections.reduce(    (sum, s) => sum + String(s.content).length0  );  return Math.ceil(totalChars / 3); // 保守估算}

3. 格式化

不同的模型对输入格式有不同的要求。上下文引擎需要确保输出格式与目标模型兼容:

  • OpenAI 格式messages 数组,每条消息有 role 和 content

  • Anthropic 格式system 单独传递,messages 只包含 user/assistant

  • 自定义格式:某些模型可能有特殊的格式要求

上下文引擎可以根据当前的 Provider 类型调整输出格式。


05

上下文引擎与 Provider 的协作

上下文引擎不直接与 LLM 通信。它只负责组装输入,然后将结果传递给 Provider,由 Provider 实际调用 LLM API。

这种分离意味着:

  • 切换上下文引擎不影响 Provider 的实现

  • 切换 Provider 不影响上下文引擎的逻辑

  • 两者可以独立开发和测试


06

内置的 legacy 引擎

OpenClaw 默认的 legacy 引擎提供了基础的上下文构建功能:

  • 按固定顺序组装各部分

  • 对历史消息进行 token 计数和截断

  • 保留系统提示和工具定义的完整性

对于大多数使用场景,默认引擎已经足够。当你有以下需求时,才需要考虑自定义引擎:

  • 需要特殊的上下文排序策略

  • 需要对特定类型的信息进行动态调整

  • 需要在上下文中注入自定义的元信息

  • 需要与特定的模型格式深度适配


07

实战:基于主题的上下文优先级引擎

以下示例展示了一个根据消息主题动态调整上下文优先级的引擎:

import { definePluginEntry } from "openclaw/plugin-sdk/plugin-entry";export default definePluginEntry({  id"smart-context-engine",  name"Smart Context Engine",  version"1.0.0",  register(api) {    api.registerContextEngine("smart-context"(context) => {      const config = api.pluginConfig as {        codingHistoryWeight?: number;        chatHistoryWeight?: number;      };      return {        async buildContext(params) {          const sectionsArray<{            rolestring;            contentstring;            prioritynumber;            timestamp?: number;            tokensnumber;          }> = [];          // 系统提示(最高优先级,不可截断)          if (params.systemPrompt) {            sections.push({              role"system",              content: params.systemPrompt,              priority100,              tokensestimateTokens(params.systemPrompt),            });          }          // 记忆(根据相关性动态调整优先级)          if (params.memoryResults?.length) {            for (const memory of params.memoryResults) {              const relevanceBoost = Math.round(memory.score * 10);              sections.push({                role"system",                content`[Memory] ${memory.content}`,                priority70 + relevanceBoost,                tokensestimateTokens(memory.content),              });            }          }          // 工具定义          if (params.toolDefinitions) {            const toolDefs = JSON.stringify(params.toolDefinitions);            sections.push({              role"system",              content: toolDefs,              priority90,              tokensestimateTokens(toolDefs),            });          }          // 对话历史          if (params.history) {            for (const msg of params.history) {              const isCoding = isCodingMessage(msg.content);              const weight = isCoding                ? (config.codingHistoryWeight ?? 1.5)                : (config.chatHistoryWeight ?? 1.0);              sections.push({                role: msg.role,                content: msg.content,                priority50,                timestamp: msg.timestamp,                tokensMath.ceil(estimateTokens(msg.content) * weight),              });            }          }          // 智能截断          return smartTruncate(sections, params.maxTokens);        },      };    });  },});function isCodingMessage(contentstring): boolean {  const codingIndicators = [    "```""function""class ""import ""const ""async ",    "error:""Exception""TODO:""FIXME:",  ];  return codingIndicators.some(ind => content.includes(ind));}function estimateTokens(textstring): number {  return Math.ceil(text.length / 3);}function smartTruncate(  sectionsArray<{ role: string; content: string; priority: number; timestamp?: number; tokens: number }>,  maxTokensnumber): Array<{ rolestringcontentstring }> {  const fixed = sections    .filter(s => s.priority >= 90)    .sort((a, b) => b.priority - a.priority);  const flexible = sections    .filter(s => s.priority < 90)    .sort((a, b) => (b.timestamp ?? 0) - (a.timestamp ?? 0));  const fixedTokens = fixed.reduce((sum, s) => sum + s.tokens0);  const budget = maxTokens - fixedTokens;  const selectedtypeof flexible = [];  let used = 0;  for (const section of flexible) {    if (used + section.tokens > budget) break;    selected.push(section);    used += section.tokens;  }  // 按时间正序  selected.sort((a, b) => (a.timestamp ?? 0) - (b.timestamp ?? 0));  return [...fixed, ...selected].map(s => ({    role: s.role,    content: s.content,  }));}

这个引擎的特点:

  • 编码消息加权:检测到编码相关内容时,增加其 token 权重,在有限空间内保留更多编码上下文

  • 记忆相关性排序:记忆检索结果的 score 越高,在上下文中的位置越靠前

  • 灵活的权重配置:通过插件配置调整编码/聊天历史的权重比例


08

小结

本篇覆盖了 OpenClaw 上下文引擎的核心机制:

  • 上下文引擎负责组装 Agent 推理所需的输入信息

  • 独占插槽机制保证同时只有一个引擎活跃

  • registerContextEngine 注册自定义引擎

  • 核心挑战:排序、截断、格式化

  • 上下文引擎与 Provider 解耦,独立协作


下一篇:记忆系统 — 让 Agent 拥有长期记忆。我们将学习如何通过 Memory Plugin 为 Agent 添加跨会话的持久化记忆能力。