💾 OpenClaw 记忆压缩：Context 管理的艺术

Context 是 Agent 的「工作记忆」，但它有限。如何在有限空间里记住最重要的事？

为什么需要记忆压缩？

Context 的硬限制

• Kimi K2.5: 200K tokens
• Claude 3.5: 200K tokens
• GPT-4: 128K tokens

现实问题：

• 长对话很快耗尽上下文
• Token 成本高企
• 关键信息被淹没

四层记忆架构

L1 - Working Memory (~4K): 当前会话
L2 - Session Log (7天): 详细记录
L3 - Long-term Memory: MEMORY.md + 核心规则
L4 - Vector Search: 语义检索

压缩核心策略

1. 分层丢弃：关键信息永不丢弃
2. 智能摘要：提取决策、TODO、错误修复
3. 外部化存储：大内容移出 context

效果对比

指标	优化前	优化后
上下文溢出率	27%	3%
平均响应时间	10s	1.2s
Token 消耗	100%	30%

关键认知

记忆压缩不是「删除记忆」，而是「提炼精华」。把重要的留下，把临时的归档，让 Agent 始终轻装上阵。

你的 Agent 记忆管理是怎么做的？