当对话太长、裁剪也不够用时：Compaction 深度解析与 OpenClaw 的实战策略

当对话太长、裁剪也不够用时：Compaction 深度解析与 OpenClaw 的实战策略

• • 1. 引言：当“工作台”被彻底塞满
  • 2. 什么是 Compaction？
  • • 2.1 核心定义
    • 2.2 工作原理
    • 2.3 一个精妙的细节：工具调用的配对保护
  • 3. OpenClaw 的 Compaction 策略
  • • 3.1 触发机制：自动 + 手动
    • 3.2 核心配置参数
    • 3.3 “记忆刷写”：压缩前的关键一步
    • 3.4 “后继转录”：压缩后的文件管理
    • 3.5 可插拔压缩提供商
  • 4. Compaction 的最新前沿
  • • 4.1 PAACE：计划感知的自动化上下文工程
    • 4.2 Focus Agent：自主压缩的智能体
    • 4.3 ACCP：标准化压缩协议
  • 5. 一张图看懂 Compaction 的完整流程
  • 6. 日常实践建议
  • 7. 结语

1. 引言：当“工作台”被彻底塞满

在上一篇文章中，我们讨论了工具返回超大结果带来的挑战以及应对策略。但有一个更棘手的问题：当整个对话历史本身已经长得无法裁剪时，该怎么办？

想象一个场景：你和 Agent 进行了一个长达 50 轮的复杂项目讨论，中间穿插了大量文件读取、代码搜索、命令执行。即使你启用了会话剪除（Pruning），每次只保留最近几轮的工具输出，对话的“骨架”——用户和助手的交替消息——本身已经累积到了一个可怕的 Token 数。在某个时刻，你发送一条新消息，模型直接返回 context length exceeded。

裁剪（Pruning）只是“清理桌面”，而压缩（Compaction）是“把旧文件归档到仓库”。

2. 什么是 Compaction？

2.1 核心定义

Compaction（压缩）是将较早的对话轮次摘要成一条精简条目，从而释放上下文窗口空间的过程。

它的核心思想与人类处理信息的方式一致：对于过去发生的事情，你不需要记住每一个细节，只需要记住“发生了什么”和“关键结论”。Compaction 正是为 Agent 提供这种“记笔记”的能力——把早期对话浓缩成一段摘要，让模型在后续推理中仍然知道“之前讨论过什么”，但不再被原始的长文本占用空间。

关键区别：Pruning（剪除）只针对工具输出，在内存中临时处理；Compaction 针对整个对话，会持久化保存摘要到会话转录中。

2.2 工作原理

当对话接近上下文限制时，Compaction 会介入：

完整对话历史仍保留在磁盘上——压缩只改变模型在下一轮“看到”的内容，不删除任何原始数据。

2.3 一个精妙的细节：工具调用的配对保护

Compaction 有一个容易被忽视但至关重要的设计：它会确保工具调用（assistant tool call）与对应的工具结果（toolResult）永远不被拆散。

如果拆分点恰好落在工具调用和结果之间，OpenClaw 会自动移动边界，让这对条目保持在一起。这意味着即使在压缩后，工具调用的上下文完整性依然得到保证——模型不会看到一个“调用了工具但没有结果”或者“有结果但没有对应调用”的碎片化历史。

3. OpenClaw 的 Compaction 策略

3.1 触发机制：自动 + 手动

OpenClaw 支持两种触发方式：

自动压缩（默认开启） 会在两种情况下触发：

• 阈值维护：当 已用 Token > 上下文窗口 – reserveTokens 时，在一个成功轮次之后触发
• 溢出恢复：当模型返回上下文溢出错误时，自动压缩并重试

OpenClaw 能够识别多种溢出错误模式：

• request_too_large
• context length exceeded
• input exceeds the maximum number of tokens
• ollama error: context length exceeded

手动压缩 通过 /compact 命令触发。还可以带聚焦指令：

/compact Focus on API design and configuration

这让摘要更精准地保留你关心的信息。如果设置了 keepRecentTokens，手动压缩会保留最近尾部；否则是“硬检查点”——从新摘要继续，尾部会被截断。

3.2 核心配置参数

以下配置在 openclaw.json 的 agents.defaults.compaction 下设定：

3.3 “记忆刷写”：压缩前的关键一步

这是 OpenClaw 压缩机制中最具前瞻性的设计。在自动压缩发生之前，OpenClaw 可以运行一次静默的“记忆刷写”轮次，将当前对话中的关键信息写入 memory/YYYY-MM-DD.md 等持久化文件。

配置如下：

"memoryFlush": {
"enabled": true,
"model": "ollama/qwen3:8b",
"softThresholdTokens": 4000
}

这解决了压缩的核心风险：摘要可能丢失你关心的细节。通过刷写，关键事实被保存到长期记忆中，即使压缩把原始对话“归档”了，这些信息依然可以在后续会话中被检索到。

3.4 “后继转录”：压缩后的文件管理

开启 truncateAfterCompaction 后，OpenClaw 不会就地重写现有转录，而是创建一个新的“后继转录”（后续 JSONL），包含压缩摘要 + 保留状态 + 未摘要尾部。之前的转录作为归档检查点保留。

好处：

• 压缩不会破坏原始记录
• 压缩前的检查点可用于调试
• 重复的冗长用户轮次（如渠道重试风暴）会被丢弃，避免污染新转录

3.5 可插拔压缩提供商

插件可以通过 registerCompactionProvider() 注册自定义压缩提供商。当设置 provider 时，摘要生成被委托给该提供商，而不是内置的 summarizeInStages 流水线。

设置 provider 会自动强制 mode: "safeguard"。如果提供商失败，OpenClaw 会自动回退到内置 LLM 摘要。

4. Compaction 的最新前沿

关于上下文压缩，2026 年的学术界和工业界有一些值得关注的进展。

4.1 PAACE：计划感知的自动化上下文工程

2025 年 12 月发布的 PAACE 框架提出了一个核心观点：上下文压缩应该“感知计划”——根据任务的计划结构来决定何时、如何压缩。

PAACE 包含两个核心组件：

• PAACE-Syn：大规模合成 Agent 工作流生成器，带有逐步骤压缩监督
• PAACE-FT：从成功教师演示中训练的轻量级压缩器

在 AppWorld、OfficeBench 等多任务基准测试中，PAACE 在提升准确率的同时降低了峰值上下文和累积依赖。

4.2 Focus Agent：自主压缩的智能体

卡内基梅隆大学等机构提出的 Focus Agent 采用了一种更激进的思路：让 Agent 自主决定何时压缩。

• 引入 start_focus 和 complete_focus 两个工具
• Agent 在探索完成后自主调用 complete_focus，生成摘要并删除原始探索日志
• 上下文呈现“锯齿形”：增长 → 压缩 → 再增长

在 SWE-bench Lite 测试中，Focus 实现了 22.7% 的 Token 减少（14.9M → 11.5M），同时保持与 Baseline 相同的准确率（3/5，60%）。最高单实例节约达 57%。

4.3 ACCP：标准化压缩协议

IETF 的互联网草案 ACCP（Agent Context Compression Protocol）提出了一种跨 Agent 通信的标准化压缩协议。

核心设计包括：

• 三级状态模型：Hot（上下文中）→ Warm（压缩摘要）→ Cold（外部存储）
• 检查点机制：任务完成或 Hot 状态超过 400 Token 时触发压缩
• 增量编码：检查点后只传输变更的增量

目标是实现 60-90% 的 Token 消耗降低。

5. 一张图看懂 Compaction 的完整流程

#mermaid-svg-9eKvdUDTHLmbXXjl{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-9eKvdUDTHLmbXXjl .error-icon{fill:#552222;}#mermaid-svg-9eKvdUDTHLmbXXjl .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-9eKvdUDTHLmbXXjl .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-9eKvdUDTHLmbXXjl .marker{fill:#333333;stroke:#333333;}#mermaid-svg-9eKvdUDTHLmbXXjl .marker.cross{stroke:#333333;}#mermaid-svg-9eKvdUDTHLmbXXjl svg{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-9eKvdUDTHLmbXXjl p{margin:0;}#mermaid-svg-9eKvdUDTHLmbXXjl .label{font-family:\”trebuchet ms\”,verdana,arial,sans-serif;color:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl .cluster-label text{fill:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl .cluster-label span{color:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl .cluster-label span p{background-color:transparent;}#mermaid-svg-9eKvdUDTHLmbXXjl .label text,#mermaid-svg-9eKvdUDTHLmbXXjl span{fill:#333;color:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl .node rect,#mermaid-svg-9eKvdUDTHLmbXXjl .node circle,#mermaid-svg-9eKvdUDTHLmbXXjl .node ellipse,#mermaid-svg-9eKvdUDTHLmbXXjl .node polygon,#mermaid-svg-9eKvdUDTHLmbXXjl .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-9eKvdUDTHLmbXXjl .rough-node .label text,#mermaid-svg-9eKvdUDTHLmbXXjl .node .label text,#mermaid-svg-9eKvdUDTHLmbXXjl .image-shape .label,#mermaid-svg-9eKvdUDTHLmbXXjl .icon-shape .label{text-anchor:middle;}#mermaid-svg-9eKvdUDTHLmbXXjl .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-9eKvdUDTHLmbXXjl .rough-node .label,#mermaid-svg-9eKvdUDTHLmbXXjl .node .label,#mermaid-svg-9eKvdUDTHLmbXXjl .image-shape .label,#mermaid-svg-9eKvdUDTHLmbXXjl .icon-shape .label{text-align:center;}#mermaid-svg-9eKvdUDTHLmbXXjl .node.clickable{cursor:pointer;}#mermaid-svg-9eKvdUDTHLmbXXjl .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-9eKvdUDTHLmbXXjl .arrowheadPath{fill:#333333;}#mermaid-svg-9eKvdUDTHLmbXXjl .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-9eKvdUDTHLmbXXjl .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-9eKvdUDTHLmbXXjl .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9eKvdUDTHLmbXXjl .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-9eKvdUDTHLmbXXjl .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9eKvdUDTHLmbXXjl .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-9eKvdUDTHLmbXXjl .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-9eKvdUDTHLmbXXjl .cluster text{fill:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl .cluster span{color:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:\”trebuchet ms\”,verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-9eKvdUDTHLmbXXjl .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-9eKvdUDTHLmbXXjl rect.text{fill:none;stroke-width:0;}#mermaid-svg-9eKvdUDTHLmbXXjl .icon-shape,#mermaid-svg-9eKvdUDTHLmbXXjl .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-9eKvdUDTHLmbXXjl .icon-shape p,#mermaid-svg-9eKvdUDTHLmbXXjl .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-9eKvdUDTHLmbXXjl .icon-shape .label rect,#mermaid-svg-9eKvdUDTHLmbXXjl .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-9eKvdUDTHLmbXXjl .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-9eKvdUDTHLmbXXjl .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-9eKvdUDTHLmbXXjl :root{–mermaid-font-family:\”trebuchet ms\”,verdana,arial,sans-serif;}

否

是

对话持续进行上下文逐步增长

接近上下文限制？

触发 Compaction

阶段1: 记忆刷写

将关键事实写入 memory/ 目录

静默执行，用户无感知

阶段2: 确定压缩边界

检测工具调用与结果的配对

移动边界确保配对不被拆散

阶段3: 生成摘要

较旧轮次 → 精简摘要

最近消息保持完整

阶段4: 持久化

摘要写入会话转录 .jsonl

完整历史保留在磁盘

阶段5: 后继转录

创建新的活跃转录

原转录归档为检查点

上下文空间释放对话继续

6. 日常实践建议

基于 OpenClaw 的官方文档和社区经验：

7. 结语

Compaction 是 Agent 应对“超长对话”的最后一道防线。当剪除（Pruning）不足以解决上下文膨胀时，Compaction 通过摘要早期对话释放空间，让 Agent 能够持续工作。

OpenClaw 的 Compaction 策略体现了几个重要的工程智慧：

• 配对保护：确保工具调用的完整性
• 记忆刷写：压缩前把关键信息存入长期记忆
• 后继转录：不破坏原始历史，建立检查点
• 可插拔设计：允许自定义压缩提供商

这三个机制——Pruning（剪除）、Compaction（压缩） 和 Memory（记忆）——共同构成了 OpenClaw 上下文管理生态的完整拼图。理解它们各自的作用和边界，是构建可靠、长生命周期的 AI Agent 系统的必修课。