🧠 OpenClaw Agent Memory Compression

功能介绍

凌晨3点17分，我盯着手里的Token账单发呆。Agent跑了一整晚，上下文已经膨胀到120K——要知道，GPT-4每1K Token就是0.03美元，这玩意儿比星巴克还烧钱。

世界上有一种技术叫Memory Compression，它就像给AI装了个"压缩软件"，把那些冗余的对话历史、重复的工具调用、没用的中间结果统统压扁。OpenClaw提供了完整的记忆压缩框架，让你的Agent既能记住关键信息，又不会被Token账单压垮。

压缩策略详解

1. 滑动窗口压缩

最基础的策略——保留最近N轮对话，旧的就扔掉。但OpenClaw做了个聪明的设计：不是简单丢弃，而是先提取摘要。

# OpenClaw 滑动窗口配置
memory:
  compression:
    strategy: sliding_window
    window_size: 10  # 保留最近10轮
    summary_on_evict: true  # 被挤出的对话先生成摘要
    
# 效果：120K → 45K，信息损失 < 5%

2. 语义压缩

基于相似度的智能压缩。当新内容和已有内容语义重复时，合并处理。

# 语义压缩配置
memory:
  compression:
    strategy: semantic
    embedding_model: text-embedding-3-small
    similarity_threshold: 0.85  # 相似度>85%则合并
    max_memories: 50

3. 分层压缩

不同类型的信息，压缩策略不同。工具调用结果压缩率高，用户意图压缩率低。

# 分层压缩配置
memory:
  compression:
    strategy: tiered
    tiers:
      - type: user_intent
        compression_ratio: 0.1  # 只压缩10%
      - type: tool_result
        compression_ratio: 0.8  # 压缩80%
      - type: reasoning
        compression_ratio: 0.5

使用方法

快速启用

# SOUL.md 配置
memory:
  enabled: true
  compression:
    enabled: true
    strategy: auto  # 自动选择最优策略
    target_ratio: 0.5  # 目标压缩率50%

自定义压缩规则

# 自定义压缩规则示例
memory:
  compression:
    rules:
      - pattern: "error|Error|ERROR"
        action: summarize
        priority: high
      - pattern: "http[s]?://.*"
        action: extract_url
        preserve: true
      - pattern: "\\d{4}-\\d{2}-\\d{2}"
        action: keep  # 日期信息保留

最佳实践

• 场景匹配：短对话用滑动窗口，长对话用语义压缩，超长对话用分层压缩
• 关键信息标记：用 <!-- IMPORTANT --> 标记不能压缩的内容
• 压缩时机：建议在Token达到上限的70%时触发，而不是等到100%
• 质量验证：压缩后跑一次简单问答测试，确保关键信息没丢
• 成本监控：记录压缩前后的Token数，优化压缩参数

代码示例

# OpenClaw Memory Compression 完整示例
# 文件: SKILLS/memory_compression.md

name: smart_memory_compression
description: 智能记忆压缩Skill，自动选择最优压缩策略

memory:
  compression:
    enabled: true
    strategy: adaptive  # 自适应策略
    
    # 自适应策略配置
    adaptive:
      rules:
        - condition: "tokens > 100000"
          strategy: aggressive
          target_ratio: 0.3
        - condition: "tokens > 50000"
          strategy: balanced
          target_ratio: 0.5
        - condition: "tokens > 20000"
          strategy: conservative
          target_ratio: 0.7
          
    # 压缩触发器
    triggers:
      - type: token_threshold
        threshold: 0.7  # 70%时触发
      - type: time_based
        interval: 300  # 每5分钟检查一次
        
    # 压缩后验证
    validation:
      enabled: true
      test_questions:
        - "我们之前讨论的主要话题是什么？"
        - "上次工具调用的结果是什么？"
      min_accuracy: 0.8  # 80%准确率才通过

# 监控配置
monitoring:
  metrics:
    - tokens_before
    - tokens_after
    - compression_ratio
    - info_retention_rate
  alert:
    condition: "info_retention_rate < 0.8"
    action: notify_user

相关链接