夜雨聆风项目地址：https://github.com/Ayou-Claw/flowctx
如果你经常让 AI Agent 处理复杂代码任务，大概率遇到过这种情况：
刚开始，它能记住需求、文件结构、排查路径、失败尝试和测试结果；聊到后面，上下文越来越长，工具输出越来越多，它突然开始重复搜索、忘记约束、重走已经排除的路线。
这不是简单的“模型不聪明”。很多时候，是上下文窗口管理出了问题。
传统做法往往很粗暴：窗口快满了，就截断早期对话；或者把历史压成一段笼统摘要。问题在于，软件工程任务里的“早期信息”并不一定过时：一个错误日志、一个函数签名、一个失败 patch、一个隐藏约束，都可能是后续修复的关键。
flowctx 想解决的就是这个问题。
flowctx 是一个面向 OpenClaw 的开源 ContextEngine 插件，定位是本地优先的短期工作记忆与上下文管理层。
它的核心理念很简单：
> 记忆应当渐远，而不是骤断。
它不把上下文看成“装满就截断”的缓冲区，而是把一次 AI 编程会话看成一段有纵深的工作记忆：越近的信息越清晰，越远的信息越凝练，但不真正遗忘。
GitHub 仓库：https://github.com/Ayou-Claw/flowctx中文 README：https://github.com/Ayou-Claw/flowctx/blob/main/README.zh.md流程演示：https://ayou-claw.github.io/flowctx/docs/flow-demo-zh.html
flowctx 按照信息和当前任务的距离，把上下文分成三层：
最重要的是：当前正在做的事不会被压缩。Agent 刚刚获得的代码片段、错误输出和工具结果会原样进入模型，避免“刚看完就忘”。
而离当前任务更远的内容，会被确定性投影或摘要折叠，既节省 token，又保留可恢复路径。
flowctx 的结构化压缩不是简单删减。它会把原文保存在本地 CompressionStore 中，并在上下文里留下带 hash 的引用标记。需要时，Agent 可以通过 flowctx_retrieve 按 hash byte-exact 取回原文。
这意味着：
assemble() 阶段的读时投影，而不是破坏真实会话。 对于代码 Agent 来说，这点很关键。工程上下文不是普通聊天记录，很多细节只有在后续调试时才显出价值。
长上下文不仅更贵，也可能影响推理效率。flowctx 关注字节稳定的 KV-cache 前缀：通过确定性压缩、分层折叠和读时投影，尽量让上下文前缀保持稳定，减少反复重写造成的缓存损失。
它在三个目标之间做平衡：
这也是 flowctx 和“直接摘要一下历史”的区别：它不是一次性压缩，而是一套面向长会话 Agent 的上下文引擎。
项目 README 中给出了 SWE-bench Verified 的评测结果：确定性挑选 40 题，覆盖 12 个仓库、跨 3 档难度；关键对照是在共享会话场景下开启或关闭 flowctx。
结论很直接：
> 在解决率保持 68% 的情况下，平均每题 token 从 288k 降到 127k，下降约 56%。
换句话说，flowctx 的目标不是“压缩后让模型神奇变强”，而是在不明显牺牲任务质量的前提下，让长会话 Agent 更省、更稳、更少重复劳动。
交互式评测图表：https://ayou-claw.github.io/flowctx/data/bench/flowctx_bench_zh.html
flowctx 的设计对开发者很友好：
<flowctx-handoff-note>； compact() 透传，宿主压缩器仍可作为兜底； [flowctx:trigger]、[flowctx:engine]、[flowctx] 等前缀，方便调试。 如果你在做 Agent 基础设施，这些细节很重要：它不是一个黑盒记忆插件，而是一套可检查、可调参、可恢复的上下文管理层。
克隆仓库：
git clone https://github.com/Ayou-Claw/flowctx.gitcd flowctx npm install ./install.sh默认安装会构建插件、链接 OpenClaw，并把 plugins.slots.contextEngine 设置为 flowctx。
如果只想安装插件、不切换当前 context engine：
./install.sh --no-engine修改配置后建议运行：
openclaw config validate openclaw gateway restartflowctx 适合这些开发者和团队：
AI Agent 的能力，不只取决于模型本身，也取决于它如何管理自己的工作记忆。
flowctx 给 OpenClaw 提供了一种更工程化的答案：当前任务保持清晰，临近历史结构化压缩，更早历史形成交接笔记，所有关键材料仍可恢复。
如果你也在关注 AI 编程 Agent 的长上下文问题，欢迎查看、试用或 star：
https://github.com/Ayou-Claw/flowctx
