🧠 OpenClaw 上下文膨胀控制：阈值 × 压缩 × 修剪三层防线

问题

OpenClaw 长会话中，对话历史、工具调用结果、系统提示词不断累积，上下文窗口被撑爆。结果：API 成本飙升、响应延迟、请求失败。

OpenClaw 的三层防御

第一层：contextTokens 容量阈值

在 openclaw.json 的 agents.defaults 中设定 contextTokens，作为上下文用量的软上限。可自动推断（取模型 contextWindow），也可手动调低（如设 100k）让系统更早介入。这是「容忍底线」，不是目标。

第二层：Compaction 自动压缩

当用量逼近阈值，OpenClaw 的 safeguard 模式自动触发——将早期对话历史发给模型生成摘要，用摘要替换原始记录。保留信息脉络，大幅释放空间。可在 compaction.model 中指定轻量压缩模型降低成本。注意：会修改历史 jsonl 文件。

第三层：Session Pruning 会话修剪

每次向 LLM 发请求前，动态截断过旧的工具输出。只在内存中生效，不改历史文件。两种策略：软修剪（保留首尾，中间省略）和硬清除（替换为占位符）。通过 contextPruning 配置开启，适合工具调用频繁的场景。

怎么选

• 资源受限（4G 内存）：调低 contextTokens（如 60k），让压缩更早介入
• 工具密集场景：开启 contextPruning，保持每次请求轻量
• 最佳实践：三层叠加——阈值兜底 + 压缩减负 + 修剪瘦身

核心认知

上下文管理不是「删消息」。压缩保留脉络，修剪保持轻量，阈值守住底线。三层各司其职，OpenClaw 才能长期稳定运行而不失控。