🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

# OpenClaw如何控制上下文不超过Context Window？

## 一、Context Window：Agent的"工作记忆"限制

Context Window是LLM一次能"看到"的最大文本量，Agent场景下它会被**系统提示、对话历史、Tool定义、Skill说明、记忆文件**同时争抢——当这些加起来超出上限，模型要么报错，要么开始"失忆"。

**说人话就是：** 想象你正在开会，桌上堆满了各种文件：会议议程（系统提示）、之前的会议记录（对话历史）、工具说明书（Skill定义）、参考资料（记忆文件）。你的桌面大小有限（Context Window），当文件太多时，你必须决定哪些放在手边、哪些收进抽屉、哪些直接扔掉。

对于普通聊天，Context满了重开一个对话就好。但OpenClaw这样的Agent是持续运行的，有时一个任务本身就需要几十轮工具调用，你不能随便截断。这使得**Context管理成为Agent工程里最需要主动设计的问题之一**。

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/a6f2ad7a66c99de9754ab34efaf18478.png)

---

## 二、谁在吃掉你的Token？

Agent的Context和普通对话不一样，它要塞下更多东西：

### 主要Token消耗来源

| 来源 | 典型token占用 | 增长特性 |
|------|--------------|---------|
| **系统Prompt/Soul** | 500-2000 | 相对固定 |
| **Skill列表** | 每个约24+ token | 随启用Skill数量线性增长 |
| **对话历史** | 无上限增长 | 随时间持续增长 |
| **工具调用记录** | 每次可达数千 | 随任务复杂度增长 |
| **记忆文件** | 按需注入 | 可控但需要策略 |

其中**增长最快、最难控制的是对话历史和工具调用记录**。一个长期运行的OpenClaw实例，历史记录可能积累几十万token，远超任何模型的Context Window。

以OpenClaw官方文档为例：每加载一个Skill，系统Prompt就增加约97个字符加上该Skill的描述长度。如果启用了50个Skill，光是Skill列表就可能消耗数千token。

---

## 三、核心解法：分级记忆系统

最根本的解法是**不把所有历史都放进Context**，而是建立分级记忆系统：

### 1. 工作记忆（Working Memory）

- **内容**：当前对话的近几轮，完整保留
- **作用**：模型理解"你现在说的是什么"必须的上下文
- **特点**：高优先级，完整保留，实时更新

### 2. 摘要记忆（Summary Memory）

- **内容**：把较早的对话压缩成摘要，存进MEMORY.md
- **示例**："用户偏好使用Python，项目在~/workspace/myapp，之前讨论过用FastAPI做后端"
- **优势**：摘要远比原始对话节省token，保留关键信息

### 3. 语义记忆（Semantic Memory）

- **内容**：把历史对话向量化存进向量数据库
- **使用方式**：只在相关时候检索，通过向量搜索找到相关片段注入Context
- **场景**：用户问"上次我们讨论的API设计"，精准定位相关内容

```
分级记忆架构
├── 热层（工作记忆）：当前对话上下文，完整保留
├── 温层（摘要记忆）：关键信息摘要，结构化存储  
└── 冷层（语义记忆）：完整历史向量化，按需检索
```
![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11994342/50f7dc96823c531e54bcc8ebe0d5d5e0.png)

---

## 四、具体工程手段

### 1. Skill按需加载

OpenClaw允许通过`allowBundled`白名单控制哪些Skill进入系统Prompt。如果你的工作流只涉及GitHub和邮件，就没必要让天气、智能家居等几十个Skill白白占用token。

**实践建议**：
- 分析实际使用场景，只启用必要的Skill
- 定期审查Skill使用情况，禁用不常用的Skill
- 为不同场景配置不同的Skill白名单

### 2. 历史窗口截断

最粗暴但常见的方案：只保留最近N轮对话，更早的直接丢弃。

**适用场景**：
- 任务相对独立，不需要很长历史
- 对话主题频繁切换
- 性能要求高于历史完整性

**缺点**：会真正丢失信息，不适合需要长期上下文的任务。

### 3. 工具调用结果压缩

工具返回的原始数据往往很冗长（比如搜索结果返回10篇文章的全文）。在传给下一轮之前，先让LLM提炼关键信息，只把精炼后的摘要放进Context。

```javascript
// 工具调用结果压缩示例
const rawSearchResults = await searchTool(query);
const summarizedResults = await llm.summarize(rawSearchResults, {
  maxTokens: 200,
  focus: "key facts and actionable insights"
});
// 只将摘要传入下一轮Context
```

### 4. 分模型路由

OpenClaw支持配置主模型和辅助模型：
- **复杂推理任务**：用Claude这类大上下文模型
- **简单任务**：用更便宜的小模型（Heartbeat检查、格式化任务）

既节省成本，也避免把宝贵的Context预算浪费在简单任务上。

---

## 五、完整的Context管理策略表

| 来源 | 典型token占用 | 应对策略 | 优先级 |
|------|--------------|---------|--------|
| **系统Prompt/Soul** | 500-2000 | 精简，去掉不必要的描述 | 高 |
| **Skill列表** | 每个约24+ token | 白名单控制，只加载必要Skill | 中 |
| **对话历史** | 无上限增长 | 分级记忆，摘要压缩 | 高 |
| **工具调用记录** | 每次可达数千 | 提炼摘要后存储 | 中 |
| **记忆文件** | 按需注入 | 向量检索，只取相关片段 | 低 |

---

## 六、深层思考：为LLM建立"外脑"

Context Window的限制本质上是在提醒我们：**LLM的"注意力"是有限且宝贵的资源**，工程师的职责之一是替它管好注意力的分配。

人类也有工作记忆的限制——我们不可能同时记住所有事情，所以我们有笔记、有日历、有档案。Agent的记忆系统设计，在某种意义上是在为LLM建立一套"**外脑**"：

- **把不需要时时刻刻记住的信息卸载到外部存储**
- **需要的时候再精准取回来**

### 长期架构原则

随着LLM Context Window的持续扩大（已从早期的4K增长到今天的百万级），这个问题的紧迫性在降低，但永远不会消失。因为Agent的记忆本身也会随使用时间不断增长，窗口再大也总会有被填满的一天。

**分级记忆不只是当下的工程应对，更是Agent系统的长期架构原则。**

这意味着优秀的Agent设计应该：
1. **主动管理Context使用**，而不是被动等待溢出
2. **建立智能的记忆分层机制**，平衡完整性和效率
3. **提供可配置的策略**，让用户根据需求调整
4. **保持透明性**，让用户知道哪些信息被保留、哪些被压缩

最终目标是让Agent既能处理复杂的长期任务，又不会因为Context溢出而"失忆"或"混乱"。

🚀 本文收录于Github：AI-From-Zero 项目 —— 一个从零开始系统学习 AI 的知识库。如果觉得有帮助，欢迎 ⭐ Star 支持！

OpenClaw 上下文管理原理：工作记忆、摘要记忆与向量检索

Context Window是LLM一次能"看到"的最大文本量，Agent场景下它会被**系统提示、对话历史、Tool定义、Skill说明、记忆文件**同时争抢——当这些加起来超出上限，模型要么报错，要么开始"失忆"。

数据开发/数据仓库

人工智能

后端

架构设计

OpenClaw如何高效管理ContextWindow？本文详解Agent工作记忆限制与分级记忆系统设计，包括Skill按需加载、历史窗口截断、工具调用结果压缩等核心策略，帮助优化LLM注意力分配。从工作记忆到语义记忆的分层架构，为AI构建高效"外脑"系统。

向量数据库

数据库

路由

Python

GitHub

Agent

2026新春采购季

tione

tencentdb-catalog

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

OpenClaw 上下文管理原理：工作记忆、摘要记忆与向量检索-腾讯云开发者社区-腾讯云

OpenClaw 上下文管理原理：工作记忆、摘要记忆与向量检索

OpenClaw 上下文管理原理：工作记忆、摘要记忆与向量检索

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐