🧠 OpenClaw 上下文窗口管理完全指南

有一种痛苦，叫做"聊了三个小时之后，Agent突然忘记你是谁了"。这不是Agent变心了——是它的上下文窗口满了。就像人的短期记忆只有7±2个信息块，模型也有它的"记忆上限"。今天我们来看看怎么让Agent在有限的记忆里，记住最重要的事。

一、理解上下文窗口

1.1 什么是上下文窗口

上下文窗口（Context Window）是模型在一次推理中能处理的最大Token数量。它包含了：

• 系统提示（System Prompt）：Agent的"人设"和"规则"
• 对话历史（Chat History）：你和Agent的对话记录
• 工具结果（Tool Results）：工具调用返回的数据
• 最终输出（Output）：Agent的回复

1.2 主流模型上下文窗口对比

二、Token 消耗分析

2.1 各组件Token占比

一个典型的OpenClaw会话Token分布：

总Token预算: 200,000 (Claude 3.5 Sonnet)

├── 系统提示 (SOUL.md + AGENTS.md + Skills): ~8,000-15,000
├── 系统注入 (TOOLS.md + USER.md + MEMORY):  ~5,000-10,000
├── 对话历史:                            ~50,000-150,000
├── 工具调用结果:                         ~20,000-80,000
└── 预留输出空间:                         ~10,000-20,000

2.2 Token消耗优化

三、上下文管理策略

3.1 使用 Isolated Session 隔离上下文

为独立任务创建隔离会话，避免上下文污染：

# 在定时任务中使用隔离会话
cron({
  job: {
    name: "每日新闻生成",
    schedule: { kind: "cron", expr: "0 8 * * *", tz: "Asia/Shanghai" },
    payload: {
      kind: "agentTurn",
      message: "生成今日AI新闻日报"
    },
    sessionTarget: "isolated"   # 每次运行都是全新上下文
  }
})

3.2 上下文压缩

通过摘要和关键信息提取来压缩历史：

# 在Skill中实现自动压缩
## Context Compression

当对话历史超过100轮时：
1. 总结前50轮对话的关键决策和结论
2. 保留最近50轮的完整历史
3. 将摘要作为"背景信息"注入

实现方式：
- 使用 web_fetch 抓取当前页面
- 提取关键段落而非全文
- 对工具结果进行预处理和截断

3.3 使用 lightContext 减少上下文

# 轻量上下文模式
cron({
  job: {
    payload: {
      kind: "agentTurn",
      message: "简单的定时检查任务",
      lightContext: true   # 减少上下文注入
    }
  }
})

四、长对话处理技巧

4.1 分段处理

将复杂任务拆分为多个子会话：

# 使用子Agent分段处理
# 主会话：接收任务、协调子Agent
sessions_spawn({
  task: "分析这10篇文章并生成摘要",
  runtime: "subagent",
  mode: "run",
  timeoutSeconds: 120
})
# → 子Agent在自己的上下文中处理
# → 返回精简的结果给主会话

4.2 外部记忆系统

将重要信息存储到外部记忆，而非依赖上下文：

# 使用 tdai_memory_search 检索长期记忆
tdai_memory_search({
  query: "用户偏好设置",
  limit: 5,
  type: "persona"
})

# → 返回相关记忆记录
# → 不占用上下文窗口

4.3 文件系统作为扩展记忆

# 将中间结果写入文件
write({
  path: "/tmp/task-progress.md",
  content: "## 任务进度\n### 已完成\n- 搜索关键词分析\n- 文章抓取\n### 待完成\n- 内容生成\n- 发布"
})

# 后续读取
read({ path: "/tmp/task-progress.md" })

五、最佳实践清单

1. 监控Token使用：定期检查 session_status 中的用量
2. 设置合理预算：为不同任务配置不同的Token上限
3. 使用隔离会话：独立任务使用 isolated session
4. 压缩工具结果：设置 web_fetch 的 maxChars 参数
5. 外部存储关键数据：用文件系统和记忆工具替代上下文
6. 定期清理：结束不活跃的会话释放资源
7. 选择合适模型：简单任务用小模型，复杂任务用大上下文模型