OpenClaw上下文窗口管理方案，通过分区策略、预压缩检查点和信息生命周期管理，解决长会话”记忆丢失”问题并降低Token成本。
说明：
## 核心用法
Context Budgeting 是一套针对 OpenClaw 有限上下文窗口的系统化管理框架，主要解决三类场景：
– 会话上下文接近上限（>80%）时的主动管控
– 压缩后出现的”记忆丢失”修复
– 长任务运行中的Token成本与延迟优化
**信息分区策略**将上下文划分为四个功能区块：
– **目标层（10%）**：核心任务指令与活跃约束
– **短期历史（40%）**：最近5-10轮原始对话
– **决策日志（20%）**：过往步骤的摘要化结果（”尝试X，因Y失败”）
– **背景知识（20%）**：来自 MEMORY.md 的高相关片段
**强制检查点机制**要求任何压缩操作前必须：
1. 更新 `memory/hot/HOT_MEMORY.md` 记录当前进度、关键决策和下一步动作
2. 执行 `scripts/gc_and_checkpoint.sh` 完成物理清理
**Heartbeat集成**：每30分钟的心跳作为垃圾回收触发器，自动监控上下文使用率并执行清理。
## 显著优点
– **预防性架构**：在危机发生前（80%阈值）主动干预，而非被动响应
– **可恢复性**：检查点机制确保压缩后任务连续性，避免”失忆”导致的重复劳动
– **成本可控**：通过信息分层保留高价值内容、丢弃冗余数据，直接降低API调用成本
– **自动化友好**：脚本化清理与心跳集成，减少人工干预频率
## 潜在局限
– **分区比例固定**：10/40/20/20 的静态分配可能不适应所有任务类型（如需要大量背景知识的深度研究）
– **检查点开销**：高频任务可能需要频繁写盘，引入I/O延迟
– **Heartbeat依赖**：30分钟固定周期对突发上下文爆炸（如单次返回超大JSON）响应不够及时
– **MEMORY.md质量敏感**：背景知识层的有效性完全依赖外部记忆文件的相关性筛选
## 适合人群
– 运行**长会话多轮任务**的开发者（代码审查、复杂调试、持续性写作）
– **成本敏感型**用户（需要精细控制Token消耗）
– 对**状态可恢复性**有要求的自动化工作流构建者
## 常规风险
– **检查点遗漏风险**：若未严格执行”先写HOT_MEMORY再执行脚本”的顺序，可能导致状态不一致
– **过度压缩**：自动化清理可能误删看似冗余、实则后续需要的中间数据
– **分区误判**：短期历史与决策日志的边界模糊时，关键推理链条可能断裂
– **脚本权限**：`gc_and_checkpoint.sh` 涉及文件系统操作，需确保执行环境权限配置正确
会员专属
