压缩 (Compaction)

压缩 (Compaction) 是管理 Agent “上下文窗口”（LLM 一次可以读取多少文本的限制）的过程。随着对话的增长，它们最终会超过此限制。OpenClaw 使用压缩来压缩旧历史记录，同时保留关键信息。

LLM 有固定的 Token 限制（例如 8k, 32k, 128k tokens）。

• 历史记录过多 -> API 错误或高成本。
• 截断历史记录 -> Agent 忘记了刚才说过的话。

当会话历史达到配置的阈值时，OpenClaw 会自动触发压缩。

1. 触发：history_tokens > max_context_tokens * 0.8（示例）。
2. 选择：识别历史记录中最旧的 N 条消息。
3. 摘要：
   • 调用辅助 LLM 运行“摘要器 (Summarizer)”提示。
   • 输入：旧消息。
   • 输出：简洁的叙述性摘要（例如，“用户询问了关于 Python 的问题。Agent 提供了一个代码片段。”）。
4. 替换：
   • N 条旧消息从活动上下文中移除。
   • 包含摘要的单个 SystemMessage 或 Memory 条目被插入到历史记录的开头。

您可以在 config.json 中调整压缩：

{
  llm: {
    // 模型的最大 token 数
    max_context: 16000,
    // 何时触发压缩
    compaction_threshold: 0.75 // max_context 的 75%
  }
}

• 修剪 (Pruning)：简单地丢弃最旧的消息。
  • 优点：免费，快速。
  • 缺点：完全丢失旧上下文的数据。
• 摘要 (Summarizing) (Compaction)：重写旧消息。
  • 优点：保留语义和重要事实。
  • 缺点：生成摘要需要花费 Token/时间。

OpenClaw 默认为 摘要，以获得连续的对话体验。

如果 Agent 感觉“混乱”，您可以通过命令强制进行压缩（或“立即摘要”）：

# (概念性命令，取决于具体的 agent 实现)
/summarize

压缩与 RAG（检索增强生成）相互作用。

• 活动历史 (Active History)：即时对话（最后 ~20 条消息）。
• 摘要 (Summary)：压缩后的过去。
• 长期记忆 (Long-term Memory / Vector DB)：提取并永久存储的特定事实。

压缩弥合了活动历史与长期记忆之间的差距。理想情况下，摘要中的重要事实最终会被移动到长期记忆中。