I. 核心架构 - 6. Compaction
📍 课程位置
阶段 ：I. 核心架构
课序 ：第 6 课
前置知识 ：I-5. Memory 系统
后续课程：I-7. Streaming
🎯 本课核心问题
如果你问我："对话太长了，Agent 记不住怎么办？历史记录越来越多，空间不够用怎么办？"
我会这样回答：这就是 **Compaction（压缩）**要做的事情------它像"整理房间"一样，把冗长的对话历史压缩成精简的摘要。
📚 为什么需要 Compaction？
问题 1：Context 溢出
- AI 模型有 Context Window 限制（如 200K tokens）
- 对话历史越来越长，总会超过限制
- 超过后 → "Context length exceeded" 错误
问题 2：成本增加
- Context 越长，AI 调用的 token 越多
- 费用越来越高
- 不压缩就是在烧钱
问题 3：性能下降
- 处理超长 Context 需要更多计算
- 响应变慢
- 用户体验变差
🔧 Compaction 的工作原理
三种压缩策略
策略 1：Summarization（摘要）
原始对话：
User: 我想买一件蓝色的衣服
Agent: 好的，您喜欢什么款式？
User: 我喜欢休闲风格
Agent: 明白了
压缩后：
"用户想要蓝色的休闲风格衣服"策略 2：Pruning（剪枝）
原始：
[很长的工具执行结果...]
[之前的讨论...]
[无关的细节...]
压缩后：
删除不重要的内容，只保留关键信息策略 3：池化（Pooling）
原始：10 条消息
压缩后：合并成 3 个"池"
- 意图池：用户的需求
- 关键信息池：重要参数
- 上下文池：背景信息⏱️ 什么时候触发 Compaction？
自动触发
1. 接近 Context 边界
当使用 > 80% 的 Context 时
→ 自动开始压缩
→ 保留 20% 空间2. 定时触发
每天/每次会话开始时
→ 检查是否需要压缩
→ 按策略压缩手动触发
bash
# 手动压缩某个 Session
openclaw sessions compact <sessionId>
# 查看压缩日志
openclaw logs | grep compaction🔍 Compaction 的具体流程
1. 检查当前 Context 使用量
↓
2. 如果超过阈值（比如 80%）
↓
3. 决定压缩策略
- 摘要？剪枝？池化？
↓
4. 执行压缩
- 调用 AI 生成摘要
- 或直接删除不重要内容
↓
5. 更新 Session 文件
↓
6. 验证压缩后的大小
↓
7. 如果还是太长 → 再次压缩🔧 实战：配置 Compaction
基本配置
json5
{
"agents": {
"defaults": {
"compaction": {
// 压缩模式
"mode": "safeguard", // auto | safeguard | manual
// 触发阈值
"threshold": "80%", // 超过 80% 时压缩
// 保留空间
"reserveTokens": "10000", // 保留 10K tokens 空间
// 压缩策略
"strategy": {
"type": "hybrid", // hybrid | summarize | prune
"preserveIntent": true, // 保留用户意图
"preserveKeyInfo": true // 保留关键信息
}
}
}
}
}模式说明
| 模式 | 说明 | 适用场景 |
|---|---|---|
auto |
完全自动压缩 | 需要频繁压缩 |
safeguard |
只在快溢出时压缩 | 保守策略，推荐 |
manual |
手动触发压缩 | 精确控制 |
📊 Compaction 的效果
压缩前后对比
压缩前：
- Context 大小：180,000 tokens
- 费用：$0.54/次调用
压缩后：
- Context 大小：40,000 tokens
- 费用：$0.12/次调用
- 节省：77% 费用！
压缩后的质量
- ✅ 保留用户意图
- ✅ 保留关键信息
- ✅ 删除冗余细节
- ⚠️ 失去一些"人情味"
⚠️ 常见陷阱
| 陷阱 | 表现 | 原因 | 解决 |
|---|---|---|---|
| 压缩过度 | Agent "失忆"了 | 删除太多 | 调整保留策略 |
| 压缩不够 | 仍然溢出 | 阈值太高 | 调低阈值 |
| 压缩太频繁 | 性能下降 | 触发条件太宽松 | 调整触发频率 |
| 信息丢失 | 重要内容被删 | 没有设置保留 | 配置 preserveIntent |
📝 学习心得
我学这一课时的体会
我以前以为"压缩"就是"删除旧内容"。
学完后才知道：
- Compaction 是智能的
- 它会用 AI 生成摘要
- 它知道保留什么，删除什么
最大的收获是：
- Compaction + Session + Memory 是三位一体的
- Session = 本次对话
- Memory = 长期记忆
- Compaction = 整理优化
与其他课程的关联
- 前置课程：Session 管理 - 存储对话
- 前置课程：Memory 系统 - 长期记忆
- 后续课程：Streaming - 另一个优化手段
- 配合课程：Context 管理 - Context 的成本
✅ 你现在应该理解的
- 解释为什么需要 Compaction
- 说出三种压缩策略
- 知道什么时候触发压缩
- 能配置 Compaction 参数
- 理解压缩后的效果
📚 快速参考表
| 概念 | 简单说 |
|---|---|
| Compaction | 压缩对话历史 |
| Summarization | 摘要模式 |
| Pruning | 剪枝模式 |
| 触发阈值 | 超过多少百分比时压缩 |
| Reserve | 保留多少空间 |
🔗 相关资源
官方文档：
- Compaction：https://docs.openclaw.ai/concepts/compaction
- Context：https://docs.openclaw.ai/concepts/context
相关课程：
- 上一课：I-5. Memory 系统
- 下一课：I-7. Streaming
📊 本课总结
最关键的 3 点：
-
为什么压缩
- 防止 Context 溢出
- 节省成本
- 提升性能
-
三种策略
- Summarization：生成摘要
- Pruning：删除不重要的
- Pooling：合并信息
-
配置建议
- 用
safeguard模式 - 保留关键意图
- 定期检查效果
- 用
现在你应该理解了如何"整理"对话历史。下一课会讲另一个优化手段：Streaming（流式输出）。