一、背景：
我有三个智能体助手，小猿潘负责编码，小产潘负责产品，小测评负责测试，目前和小袁潘和小产潘交流较多，刚开始交流都挺顺畅，但是慢慢的，小猿潘和小产潘会出现不回消息的情况，其中小猿潘问题尤为严重。
二、补充学习基本概念
2.1 token类型
openclaw对token类型进行的区分：input、output、cache read和cache write（这个我问了deepseek，回答如下）
总结一下，就是这四种token都要收你钱的，就是价格不一样而已，cache write 是你一次性发给大模型写入大缓存的，这是你主动写入的；而cache read是大模型从它内存的cache读取的上下文，这个动作是发生在大模型提供商那边。
问题的关键是：
- 是不是所有模型都支持cache的这种机制的，尤其是对于我所用的GLM code plan模型？
- 缓存的什么周期如何控制呢
从deepseek给我的回答看，这个心跳间隔的设置，对于cache的成本影响还是很大的，尤其是新手如果会话重开的频率比较频繁的时候，感觉上这个心跳是依赖于会话存在的，如果会话关闭了，心态就停了，缓存也就没了，重开会话就得重新发一次缓存，这一次的收费应该较高；另外如果间隔设置不合理，也会导致缓存太快失效，导致每次发消息都得重复发送一次？这里先有一些概念，后面有时间再深挖吧。。。。。
三、排查经过
2.1 通过dashboard查看三个智能体的session的token增长情况
小猿潘的token增长是最多的，不知道是否因为是开始写代码的原因，它是否每次和大模型交互，都会把整个工程代码和中间编译结果都发给大模型，导致token/上下文迅速增加，超出大模型处理限制从而导致异常？
2.1.1 小猿潘的token增长，如下：
在早期cache还是很明显的，但是后面再token/上下文长度见顶之后，就没有使用cache了，是因为开始写代码，建工程了吗，这里先抛出几个疑问
**疑问一：**如果openclaw在本地发现上下文太长，主动对上下文进行修剪或者压缩，对之前的缓存是什么影响
**疑问二：**服务商会提供多大的cache容量呢，如果我本身代码仓库就比较大，是否会有问题
**疑问三：**这个是否进行缓存的动作是由openclaw主动控制的，还是由大模型体提供商控制的。
我又把疑问抛给deepseek，他的解答大概是：压缩后会破坏缓存，然后重建之后会重新命中，cache容量一般无限制，但是缓存时间有限制，一般由openclaw通过cache_control进行控制是否要进行缓存。（但是到平台期后我并没有发现有重新命中的迹象？这又是为什么呢？）
相关参考资料：
（1）GLM文档（自动隐式缓存）：https://docs.bigmodel.cn/cn/guide/capabilities/cache
（2）阿里云的prompt cache策略：https://developer.aliyun.com/article/1713315
（3）csdn openclaw配置策略：https://blog.csdn.net/qq_28809177/article/details/157909207
2.1.2 小产潘的token增长，如下：
2.1.3 小测潘的token增长，如下：
2.2 翻阅openclaw相关文档 （没有太多帮助）
https://docs.openclaw.ai/gateway/troubleshooting（官方文档）
https://zhuanlan.zhihu.com/p/2003144607068861314（知乎的命令合集）
2.3 分析openclaw日志
看到了一些超时的报错信息，不知道在openclaw在遇到超时，会有什么具体表现？有点怀疑我把编程、产品、测试划分到不同独立agent中这种编排工作流的方式是不是不太合理。
其他的把飞书重复插件的问题解决了一下
2.4 参考这个配置了一下，还是命中还是没变化，放弃了，直接/new，建新会话了。。。。。
{
"agents": {
"defaults": {
"contextPruning": {
"mode": "cache-ttl",
"ttl": "5m",
"softTrimRatio": 0.3,
"hardClearRatio": 0.5
},
"compaction": {
"mode": "safeguard",
"reserveTokensFloor": 20000,
"memoryFlush": { "enabled": true }
},
"heartbeat": {
"every": "55m"
},
"memorySearch": {
"provider": "local",
"fallback": "none",
"cache": { "enabled": true }
}
}
}
}
今天是3/8号
我的三位助手给我写的日报，写了3/9号，在没有AI之前，为了防止口口相传，避免的人的随意性，我走上了标准化，我们利用计算机的确定性。但是现在我们好像回到了以前用语言来沟通，跟踪任务的执行。如果我把AI看作我的助理，是一个人，而不是确定性的工具，那感觉是放弃了标准化，回到了莽荒时代吗，我用什么约束AI，为了实现它，再开发一个复杂的系统吗？有点疑惑，也可能是没找对应用场景，记录一下。。。。。
