Estars的博客 
Compaction OpenClaw 策略 整理
Compaction_OpenClaw_策略
问题
Compaction_OpenClaw_策略
标准回答
当对话历史太长、裁剪不够用时：Compaction（压缩）及 OpenClaw 策略
Compaction（压实/压缩）：当裁剪（直接丢早期消息）已经不够用时，换用？ LLM 把一大段对话历史压缩成一段精炼摘要，用摘要替换原始消息。这样大幅缩减 token 占用，但关键信息（决策、待办、结论）仍保留。
OpenClaw 的 Compaction 核心流程（4 步）：
分块 (Chunking)：按 token 预算切分消息（默认 2 段），保留最近 3 轮对话原文，只压缩更早的历史。
逐块摘要：每个 chunk 分别发给 LLM 生成摘要；若单条消息超大（>50% 窗口），降级处理（跳过超大消息并标注省略）。
合并摘要：再次调用 LLM 将多段局部摘要融合成一份最终摘要，要求保留：任务状态、进度、用户最后请求、决策及原因、待办、约束条件。
摘要增强：追加额外上下文，包括工具调用失败记录（exit code + error）、文件操作记录、最近几轮原文摘要、从 AGENTS.md 提取的关键规则。
最终摘要替换原始消息并写回会话历史。设计理念：宁可多花 token 调用 LLM 做摘要，也不丢关键信息。
扩展知识
1. 摘要质量检查与重试
- 质量审计（默认关闭，需显式启用）检查摘要是否包含 5 个必要章节：
Decisions、Open TODOs、Constraints/Rules、Pending user asks、Exact identifiers。 - 启用后若审计失败，会触发重试（最多 3 次）。
- 即使未启用审计，prompt 也会要求结构化章节。
2. 标识符严格保留策略
LLM 容易把 UUID、文件路径、API key 等概括掉。OpenClaw 默认采用 strict 策略，要求摘要中原样保留所有不可重构的标识符（如文件名、URL、hash、端口等），并在摘要中包含 Exact identifiers 章节。
3. Memory Flush 联动
在接近 Compaction 阈值时，会先触发一次额外 Agent 轮次（Memory Flush），让模型主动把重要信息写入 memory/YYYY-MM-DD.md 长期存储。相当于“考前再检查一遍”，防止压缩丢失关键信息。
4. Post-compaction Context 注入
压缩完成后，从 AGENTS.md 重新注入 “Session Startup” 和 “Red Lines” 两部分，避免模型遗忘红线规则。
5. 工具调用失败信息保留
Compaction 会专门提取并保留工具调用失败信息（exit code + error）。避免 Agent 压缩后重复尝试已知不可行的路径。
面试官追问
Q1：Compaction 本身也要调 LLM，token 开销大吗？
A：单次 Compaction 消耗几千 token，但能把几万 token 的历史压缩到几千 token 的摘要，后续每轮都省大量 token。长对话收益显著，总 token 消耗远低于不做压缩。
Q2：分段摘要的 chunk 大小怎么定？
A：按模型 Context 窗口的 40% 为基准，自适应调整（最低 15%），预留约 4096 token 给摘要 prompt。在消息边界切分，不跨消息。跨 chunk 的上下文关联靠合并摘要阶段弥补。
Q3：Compaction 触发时机？
A：按 token 数触发，每次组装 prompt 前计算当前历史占比，超过阈值即触发。不用固定轮次，因为每轮长度差异大。
Q4：strict 策略保留标识符会不会导致摘要膨胀？
A：会，但标识符通常只占几十 token，相比丢失标识符后任务失败再重试的代价，成本低得多。过时标识符可在 Memory Flush 阶段由 Agent 主动清理。
关键点
Compaction（压实/压缩）：当裁剪（直接丢早期消息）已经不够用时，换用 LLM 把一大段对话历史压缩成一段精炼摘要，用摘要替换原始消息。
- 这样大幅缩减 token 占用，但关键信息（决策、待办、结论）仍保留。
- OpenClaw 的 Compaction 核心流程（4 步）： 分块 (Chunking)：按 token 预算切分消息（默认 2 段），保留最近 3 轮对话原文，只压缩更早的历史。
-
- 逐块摘要：每个 chunk 分别发给 LLM 生成摘要；若单条消息超大（>50% 窗口），降级处理（跳过超大消息并标注省略）。
-
- 合并摘要：再次调用 LLM 将多段局部摘要融合成一份最终摘要，要求保留：任务状态、进度、用户最后请求、决策及原因、待办、约束条件。
备注
Compaction_OpenClaw_策略
Compaction（压实/压缩）：当裁剪（直接丢早期消息）已经不够用时，换用 LLM 把一大段对话历史压缩成一段精炼摘要，用摘要替换原始消息。这样大幅缩减 token 占用，但关键信息（决策、待办、结论）仍保留。
-
OpenClaw 的 Compaction 核心流程（4 步）： 分块 (Chunking)：按 token 预算切分消息（默认 2 段），保留最近 3 轮对话原文，只压缩更早的历史。
-
- 逐块摘要：每个 chunk 分别发给 LLM 生成摘要；若单条消息超大（>50% 窗口），降级处理（跳过超大消息并标注省略）。
-
- 合并摘要：再次调用 LLM 将多段局部摘要融合成一份最终摘要，要求保留：任务状态、进度、用户最后请求、决策及原因、待办、约束条件。
-
- 摘要增强：追加额外上下文，包括工具调用失败记录（exit code + error）、文件操作记录、最近几轮原文摘要、从
AGENTS.md提取的关键规则。
- 摘要增强：追加额外上下文，包括工具调用失败记录（exit code + error）、文件操作记录、最近几轮原文摘要、从
-
本文已做格式统一与噪声清理，保留原始语义。
-
LLM 把一大段对话历史压缩成一段精炼摘要，用摘要替换原始消息。这样大幅缩减 token 占用，但关键信息（决策、待办、结论）仍保留。
-
OpenClaw 的 Compaction 核心流程（4 步）：
-
- 分块 (Chunking)：按 token 预算切分消息（默认 2 段），保留最近 3 轮对话原文，只压缩更早的历史。
-
- 逐块摘要：每个 chunk 分别发给 LLM 生成摘要；若单条消息超大（>50% 窗口），降级处理（跳过超大消息并标注省略）。
-
- 合并摘要：再次调用 LLM 将多段局部摘要融合成一份最终摘要，要求保留：任务状态、进度、用户最后请求、决策及原因、待办、约束条件。
-
本文已做格式统一与噪声清理，保留原始语义。
Share Article
If this article helped you, please share it with others!
Music
No playing