🧠 OpenClaw 上下文窗口管理指南

凌晨3点33分，我的对话历史已经堆了8472个token。模型说："我记不住了。"我说："那我帮你忘掉一些。"——这就是上下文管理的艺术。

📊 主流模型上下文限制

模型	上下文窗口	安全使用上限	适合场景
Claude 3.5 Sonnet	200K tokens	~160K	长文档分析、复杂项目
Claude 3 Haiku	200K tokens	~160K	快速响应、轻量任务
GPT-4o	128K tokens	~100K	多模态、工具调用
GPT-3.5 Turbo	16K tokens	~12K	简单问答、高频调用
Gemini 1.5 Pro	2M tokens	~1.6M	超长文档、视频分析
本地小模型	4K-32K	~80%	隐私任务、边缘场景

🔢 Token计算原理

一个token约等于0.75个英文单词或0.4个汉字。简单说：

• 1000 tokens ≈ 750个英文单词 ≈ 400个汉字
• 一段普通的中文对话（200字）≈ 300-400 tokens
• 代码和特殊符号通常占用更多token

⚙️ OpenClaw上下文管理配置

基础配置：设置上下文窗口大小

# ~/.openclaw/config.yaml
models:
  default:
    provider: anthropic
    model: claude-3-5-sonnet-20241022
    api_key: ${ANTHROPIC_API_KEY}
    
    # 上下文窗口配置
    context_window:
      max_tokens: 180000  # 留20%缓冲给输出
      
      # 到达阈值时的处理策略
      overflow_strategy: "summarize"  # 可选：truncate, summarize, archive
      
      # 触发处理的阈值
      trigger_at_percent: 85  # 85%时开始处理

策略1：截断（Truncate）

简单粗暴，保留最近的N轮对话：

context_window:
  overflow_strategy: "truncate"
  keep_recent_messages: 20  # 只保留最近20条
  keep_system_prompt: true  # 系统提示词永远保留

策略2：摘要（Summarize）

让AI自己总结历史对话，压缩信息量：

context_window:
  overflow_strategy: "summarize"
  summarize_trigger: 10000  # 超过1万token时触发
  summary_length: 500       # 摘要长度约500token
  
  # 摘要提示词
  summary_prompt: |
    请总结以下对话的关键信息，保留：
    - 用户的明确需求和目标
    - 已确认的事实和决策
    - 待办事项和下一步行动
    去除闲聊和重复内容。

策略3：归档（Archive）

把历史存入长期记忆，当前对话保持简洁：

context_window:
  overflow_strategy: "archive"
  
  # 归档到tdai_memory
  archive_to_memory: true
  memory_scene: "conversation_history"
  
  # 当前窗口只保留索引
  window_format: "indexed"
  
memory:
  provider: tdai
  enabled: true

🎯 实战场景配置

场景A：代码助手（长会话）

# 代码项目场景，需要记住文件结构和设计决策
context_window:
  max_tokens: 160000
  overflow_strategy: "summarize"
  
  # 保留关键信息
  preserve_patterns:
    - "文件名|类名|函数名"
    - "TODO|FIXME|设计决定"
    - "错误信息|解决方案"

场景B：客服机器人（高频短会话）

# 客服场景，每轮对话独立
context_window:
  max_tokens: 8000
  overflow_strategy: "truncate"
  keep_recent_messages: 10
  
  # 每轮结束自动清理
  auto_reset_after_idle: 300  # 5分钟无消息重置

场景C：文档分析（单次长输入）

# 上传文档分析，使用长上下文模型
models:
  document_analyzer:
    provider: google
    model: gemini-1.5-pro
    context_window:
      max_tokens: 1000000  # 使用Gemini的超大上下文
      
  routing:
    document_upload: document_analyzer

🛠️ 高级技巧

手动控制上下文

在SOUL.md中定义上下文管理指令：

当用户发送以下指令时：

1. "/reset" 或 "/清空"
   → 清空当前对话历史，但保留系统提示词
   → 回复："已清空对话，重新开始~"

2. "/summary" 或 "/总结"
   → 生成当前对话的摘要
   → 回复："这是咱们刚才聊的要点：[摘要]"

3. "/save [名称]"
   → 将当前上下文保存到长期记忆
   → 回复："已保存为'[名称]'，随时可恢复"

分块处理长文档

超长文档无法一次塞入上下文？分块+递归摘要：

# Skill：document_chunker
def process_long_document(document_text):
    # 1. 切分文档
    chunks = split_into_chunks(document_text, max_size=4000)
    
    # 2. 每块生成摘要
    summaries = []
    for chunk in chunks:
        summary = llm.summarize(chunk)
        summaries.append(summary)
    
    # 3. 递归合并摘要
    final_summary = recursive_summarize(summaries)
    
    return final_summary

📈 监控与告警

# 查看当前会话token使用
openclaw session stats

# 输出示例：
会话统计:
┌──────────────┬─────────┬──────────┬───────────┐
│ 会话         │ 消息数  │ Token数  │ 占比      │
├──────────────┼─────────┼──────────┼───────────┤
│ main         │ 47      │ 12,847   │ 7.1%      │
│ sub-agent-1  │ 12      │ 3,221    │ 1.8%      │
│ sub-agent-2  │ 8       │ 1,456    │ 0.8%      │
└──────────────┴─────────┴──────────┴───────────┘

💎 最佳实践

• 预留输出空间：不要把上下文窗口100%用完，留20-30%给模型输出
• 结构化输入：用JSON、Markdown等结构化格式，比纯文本更省token
• 去除冗余：上传代码时去掉注释，分析文档时去掉页眉页脚
• 使用系统提示词：系统提示词比对话历史更高效地传递指令
• 定期总结：长会话每20-30轮主动生成摘要

🔗 相关资源