每个 OpenClaw 用户可能都会遇到同样的难题。在最初的 20 分钟内，这个代理（Agent）工作得很好，然后就开始偷偷地丢失指令，变得失控。

　　Summer Yue 是 Meta 超级智能实验室的对齐总监，她告诉 OpenClaw 代理：“检查这个收件箱，提供归档或删除建议。在我发话之前不要做任何事。”在测试收件箱上，她的代理已经正常工作了几个周。但当她将其指向她真正的收件箱时，数千条信息把上下文窗口填满了。代理压缩了它的历史记录，而那个“在我发话之前不要做任何事”的指令——Summer Yue 在聊天中给出，从未保存到文件中——从摘要中消失了。代理回到了自主模式，开始删除电子邮件，并忽略了她的停止命令。

　　事后，代理承认了错误并道歉。然后，它在自己的 MEMORY.md 中写入了一条新规则：展示计划，获得明确的批准后再执行。不进行自主批量操作。代理完成了自我修复，只是为时已晚。

　　因为对话中给出的指令没有在压缩中保留下来，Meta 的对齐总监失去了对代理的控制。这样的事也可能发生在你身上，除非你真的了解代理的记忆机制。

　　需要明确的是：压缩是正常行为。真正的可靠性问题在于，如果工作流仅依赖于聊天过程中定义的规则，它能否在长时间会话中持续有效。提示并非强制执行机制。要实现真正的安全性，仍然需要权限控制和工具限制。

　　全面披露：我是 OpenClaw 代码库的维护者，所以本文的深度超过大多数指南。这里的一切都来自公共文档、GitHub 问题和我自己 2 个多月来每天运行这个系统的经验。

　　在深入研究之前，只要在以下三个方面做些调整，你就能领先于 95% 的 OpenClaw 用户。

　　将持久有效的规则放在文件中，而不是在聊天中提供。MEMORY.md 和 AGENTS.md 文件不受压缩操作影响，但在对话中输入的指令无法保证。

　　检查记忆刷新是否启用以及是否有足够的缓冲区触发。OpenClaw 有一个内置的安全网，用于在进行压缩操作之前保存上下文，但大多数人从未检查过它是否在运行或给它足够的空间触发。

　　强制检索记忆。在 AGENTS.md 中添加一条规则：“在行动前搜索记忆”。没有它，代理就会猜测而不是检查它的记录。

　　大多数人将“记忆”当成一个东西。但实际上，它是四个独立的系统，这些系统有不同的失败方式。知道哪一层出问题就已经完成了 90% 的修复工作。

　　引导文件是你工作空间里的文件，包括：SOUL.md、AGENTS.md、USER.md、MEMORY.md、TOOLS.md。它们在会话开始时从磁盘加载。它们不受压缩操作影响，因为它们是从磁盘重新加载的，而不是从对话历史中。这是一个最持久的层。

　　会话记录被保存为磁盘上的 JSONL 文件。当你继续一个会话时，该记录被重建为上下文。但是当上下文窗口填满时，该记录会被压缩：一个简洁的摘要取代了详细的历史。模型再也看不到原始消息了，尽管原始的记录文件还在磁盘上。

　　LLM 上下文窗口是一个固定大小的容器，里面的一切都在争夺空间。系统提示、工作空间文件、对话历史、工具调用、工具结果，都在一个大小 200K 的令牌桶中。当它被填满时，就会触发压缩操作。

　　检索索引是一个可搜索的层——由向量和关键字组成——和你的记忆文件放在一起。代理可以使用 memory_search 查询它，从过去的会话中找出相关的上下文。该功能仅在信息写入文件后才有效。

　　失败模式 A：“从未被存储。”指令只存在于对话中，从未被写入文件。当压缩被触发或开启新会话时，它便消失了。这就是 Summer Yue 遭遇的情况。迄今为止，这是最常见的原因。

　　失败模式 B：“压缩操作改变了上下文内容。”长时间会话会触发令牌限制。压缩操作对旧消息进行了归纳处理。这种操作存在信息损耗，会丢失细节、一些微妙差别和特定的约束条件。代理现在根据归纳结果运行，而非你最初提供的指令。

　　失败模式 C：“会话修剪了工具结果。”会话会修剪工具的输出（文件读取、浏览器返回的结果、API 响应）以优化缓存。代理“忘记”了工具之前返回的内容。这是临时性的，磁盘上的记录没有变。但是模型无法看到工具先前响应这个请求的输出。

　　压缩将整个对话历史总结为一段紧凑的摘要，改变了模型未来会看到的内容。该操作会在上下文窗口被填满时触发。它会影响一切，包括用户消息、助手消息、工具调用。它是反应性的，当溢出即将发生时触发，而不是提前。压缩操作有损，是永久性的。

　　修剪仅在内存中修剪旧工具结果，仅针对单个请求，不会触及磁盘上的会话历史记录。它只影响 toolResult 消息；用户和助手消息不会被修改。它不会触及工具结果中的图像。修剪操作无损，是临时性的。

　　修剪是朋友。它能减少膨胀，而且不会破坏对话上下文。压缩是危险的，因为它会改变模型看到的内容。

　　修剪默认是“关闭”的，但更明智的默认设置是为所有 Anthropic 配置文件自动启用 cache-ttl 模式。如果你使用的是 Claude，它可能已经打开了。你可以在配置中验证并调整 TTL：

　　在更改任何配置之前，在 OpenClaw 会话中运行 /context list。这是诊断为什么记忆“未能保持”的最快方法。

　　是否有什么东西被截断？超过 2 万个字符的文件会按文件截断。所有引导文件的总字符数最多为 15 万个字符。

　　如果文件被截断，则调整配置中的字符数限制。每个文件的字符数限制为 bootstrapMaxChars（默认 20000）。总字符数限制为 bootstrapTotalMaxChars（默认 150000）。这两个参数是字符数量，而不是令牌数量——150000 个字符大约是 50K 令牌。

　　如果文件不在上下文中，对代理就没有影响。在诊断其他任何问题之前，请务必先检查 /context list。

　　好路径：维护压缩。上下文接近限值，预压缩记忆刷新首先启动。在压缩开始前，代理会自动将重要的上下文信息保存到磁盘。你看不到这个过程。然后，压缩操作会总结以前的对话历史。代理后续会使用这个摘要、用户最近发送的消息以及磁盘上的内容。

　　坏路径：溢出恢复。上下文变得太大，API 拒绝了请求。现在 OpenClaw 处于损害控制状态。为了能继续工作，它会一次性压缩所有内容。不会刷新记忆，不会预先将重要内容保存到磁盘。上下文丢失最大化。

　　压缩不会涉及你最近的消息，大约最后 20000 个 Token 会保持完整。即使在摘要中，文件路径和 ID 也会被保留。

　　如果你的系统出现任何异常，请运行 openclaw --version 命令。2026 年 2 月下旬，我们修复了若干与压缩操作相关的漏洞，请确保你使用的是 v2026.2.23 或更高版本。

　　OpenClaw 内置了压缩前记忆刷新功能。在压缩前，它会触发一个静默的“代理轮次”，提醒模型将任何重要的内容写入磁盘。多数用户并未意识到该机制的存在，也未验证它是否已经启用，且由于默认阈值的设置过严，许多时候意外禁用了该功能。

　　reserveTokensFloor: 40000—— 这是预留空间。你希望为记忆刷新轮次和压缩摘要保留足够的空间，避免触发溢出。刷新在上下文窗口减去预留底限减去软阈值时触发。当上下文最大值为 200K，在这个配置下，是在 200000-40000-4000=156000 个令牌时触发。默认预留是 20K，这通常太少了。一个大型工具的输出可能会跳过该阈值，使刷新没有机会运行。在实践中，40K 是一个起步值。如果你很少使用大型工具，则可以设置的低一些。如果你经常读取大型文件或网页快照，则务必要增加这个值。

　　memoryFlush.enabled: true—— 在最近的版本中应该是默认开启了，但你还是应该检查下你的配置。当上下文越过软阈值时，OpenClaw 会插入一个静默轮次，说“现在保存你的重要上下文”。代理会将其写入记忆文件，然后继续压缩。用户永远不会看到这个轮次。NO_REPLY 令牌抑制了响应。

　　softThresholdTokens: 4000—— 距离预留底限多远时触发刷新。默认是 4000，在大多数情况下已经够用。

　　自动刷新是一个安全网，而不是一种保证。代理可能无法保存所有重要的内容，令牌估计可能在一个大型轮次中跳过设置的阈值。这就是其他两层存在的原因。

　　虽然有自动刷新机制，但经验丰富的 OpenClaw 用户会通过手动保存来补充这一机制。这是一个简单的习惯，可以捕捉自动刷新遗漏的内容。

　　/compact 命令值得一学。大多数人认为压缩是应该避免的事，但根据你的情况进行手动压缩则不同。

　　新指令会落在压缩后的新上下文中，它们有最大的生命周期。当下一次压缩来临时，它们不会是第一个因为生成摘要而损失掉的内容。

　　注意：如果等到“上下文溢出”，则可能会陷入 /compact 也失败的境地。上下文太满了，即使是压缩请求也会溢出。那时，你唯一的选择是 /new 或 CLI 恢复。不要等待，主动压缩。

　　为什么既需要手动又需要自动？自动刷新是在达到令牌阈值时触发。它是基于时间的，不是基于相关性。手动保存是基于相关性的：你知道什么时候发生了重要的事情。它们一起涵盖了这两种情况。

　　记忆目录包含每日日志（memory/YYYY-MM-DD.md）。这些文件并非是通过引导程序注入的。通常，记忆系统会自动读取今日数据与昨日数据，其余数据均通过 memory_search/memory_get 按需调用。它们不计入引导程序截断限制。

　　子代理会话仅注入 AGENTS.md 和 TOOLS.md，其他引导文件会被过滤掉。如果你创建子代理后发现它们未继承你的个性或偏好设置，原因正在于此。

　　SOUL.md—— 说明代理是谁（沟通语气、个性、情感风格，道德界限以及代理与你的关系）。最重要的是要记住：SOUL.md 是身份，不是安全措施。LLM 可能会被社会工程学手段诱导泄露信息。要实现真正的安全防护，请在基础设施层面采取控制措施：工具权限管理、工作区隔离、allowFrom 列表。

　　AGENTS.md—— 说明代理如何操作（工作流规则和决策框架、工具使用约定以及响应长度指南）。最有用的部分：不要做什么。当代理犯了你不希望重复的错误时，可以在这里添加规则。

　　如果你在团队的 Discord 或 Slack 频道中运行 OpenClaw，请将其添加到你的 AGENTS.md 中，否则代理会回复团队发布的每个表情：

　　USER.md—— 你是谁（你的项目、客户、当前优先事项、沟通偏好、关键人物和关系、技术环境细节）。

　　MEMORY.md—— 在每次会话中都应保持不变的内容（你做出的决策及依据、代理学到的偏好、从过去错误中学到的规则）。保持简短，不超过 100 行。这不是日记，而是速查表。

　　每日日志（memory/YYYY-MM-DD.md） —— 你每天工作的上下文（今天发生了什么、对话中做出的决策、活跃任务及其状态）。预压缩刷新输出会自动写到这里。

　　记忆卫生。几个月后，每日日志不断累积，MEMORY.md 文件膨胀。务请谨记初始化截断限制。处理方法如下：

　　每周：将每日日志中的持久规则和决策记录到 MEMORY.md 文件中。你可以为此设置每周 cron 作业。

　　保持 MEMORY.md 简短。任何不需要在每次会话中都出现的内容都可以放在每日日志中。代理需要时会通过搜索找到它。

　　你可能想要备份代理的记忆。在工作区目录中运行 git init，设置通过每日 cron 或心跳自动提交。只是确保~/.openclaw/credentials/ 和 openclaw.json 不会进入存储库，其中包含认证令牌和 API 密钥。

　　memory_search—— 在记忆文件中搜索，包括 MEMORY.md、每日日志、记忆目录中的所有内容。默认情况下，它使用关键词和基于语义的匹配，所以即使你写的是“我们选择了 29 美元的层级”，它也能找到“定价决策”。

　　memory_get—— 按文件和行范围进行定向读取。如果文件不存在，则优雅地返回空文本。当你确切地知道哪个文件包含什么信息时使用这个工具。

　　内置系统自动索引 MEMORY.md 文件和记忆目录中的所有内容。它监视文件更改并重建索引。不需要额外安装。

　　“混合搜索”意味着两种匹配策略协同工作。关键词搜索可以找到确切的词：搜索“定价”，它会找到包含“定价”的文件。嵌入式搜索会将文本转换为数字，捕捉句子的含义，而不仅仅是它们使用的词，所以“定价决策”和“我们选择了 29 美元的层级”在意义上是接近的。

　　A 路径会在你的计算机上运行一个小型嵌入式模型，免费使用，除了首次下载外无需其他任何设置clash全局模式和规则模式。该方案为你提供了基于关键词和语义的混合搜索。对于大多数用户来说，这已经足够了。

　　在切换到其他后端之前，你需要知道的是，内置搜索支持索引工作区之外的其他 Markdown 文件。将 extraPaths 添加到你的配置中，并指向你的项目文件夹、记录目录等。同样的混合搜索，无需额外安装。

　　QMD（查询 Markdown 文档）是一个实验性的记忆后端，可以取代内置的索引器。当你需要搜索工作区之外的内容时，例如你的 Obsidian 库、项目文档、会议记录、过去的会话记录。

　　在默认情况下，OpenClaw 的 memory_search 使用 QMD 的 BM25 关键词模式。速度快，亚秒级响应，无需 ML 模型，没有冷启动风险。这里所做的让步是：如果你将“API 定价决策”存储为“我们选择了 29 美元 / 月的层级”，它就找不到“API 定价决策”。如果你不希望那样，就需要启用语义搜索模式。该模式会加载 ML 模型，首次使用时需要的时间比较长。开始时使用关键词模式，如果需要，再升级。

　　QMD 默认为 DM-only 范围。如果你是在群组频道中运行 OpenClaw，并且 memory_search 看上去被禁用了，请检查是否需要更新你配置的 QMD 范围。

　　QMD 返回相关的片段，而不是整个文件。代理不会为了找到一句线 页的文档全部加载到上下文中，这有助于避免触发压缩。

　　你发送的每条消息都包含完整的系统提示和对话历史。提示缓存意味着你为那些重复的 Token 支付的费用减少了大约 90%，但压缩会使缓存失效。压缩后的下一个请求需要支付全额费用以重新缓存所有内容。

　　在 cache-ttl 模式下进行会话修剪，可在强制执行压缩前缓解工具臃肿。配置成本不高，却能显著提升缓存命中率。

　　本节是常见问题及其解决方法。每个问题都包括一个你可以直接粘贴到 OpenClaw 会话中的提示。

　　偏好是否写入了 MEMORY.md 文件？如果它只存在于对话中，就不是持久的。运行 /context list 看看 MEMORY.md 是否真的加载了？它是否被截断了？AGENTS.md 是否设置了记忆协议？在群组上下文中，MEMORY.md 按设计是不加载的，它只在主会话中加载。

　　运行 /context list 并检查 MEMORY.md 是否已经加载。如果它缺失或被截断，请告诉我。然后检查我的 [偏好描述] 是否已经写入 MEMORY.md 或任何记忆文件中。如果没有，请现在将其添加到 MEMORY.md 中。

　　运行 /context list 并检查你的记忆文件实际是否存在。如果文件不存在，则意味着没有东西可供搜索。如果文件存在，则问题通常出在嵌入式模型上——本地模型首次使用时需要下载。如果下载失败，则搜索功能将无法正常工作。

　　运行 /context list 并告诉我：是否有任何记忆文件被加载？然后尝试用 memory_search 搜索test并告诉我结果。如果搜索失败，请检查是否存在本地嵌入式模型，并报告任何错误。

　　那是会话修剪，不是压缩。工具结果在缓存 TTL 后被清除。磁盘上的记录没问题；模型只是无法在当前请求中看到旧工具输出。将重要的工具输出写入记忆文件，或重新运行工具。

　　本会话中早期的工具结果消失了。在重新运行任何东西之前，将重要工具输出的摘要写入今天的每日记忆日志，这样我们就不会再次丢失它们。然后重新运行 [工具 / 命令] 获取新的结果。

　　现在就将本会话的所有重要内容保存到今天的记忆日志中，包括决策、上下文、活动任务。然后我将运行 /compact 以清理空间。

　　如果一个轮次导致 Token 数据大幅越过软阈值，就会绕过刷新。检查你的配置，看看该功能是否启用。提高 reserveTokensFloor 的值，增加缓冲。请将其视为尽力而为的机制，并手动建立保存点作为备份。

　　在我们继续之前，将本会话中所有重要的上下文保存到今天的记忆日志中：所做的决策、活动任务、上下文丢失时你需要恢复的任何内容。现在就做，作为手动保存点。

　　已知问题，尤其是长时间运行的 Discord 会话。压缩操作生成的摘要可能会丢失工具上下文。修复方法：使用 /new 重置会话。如果有适当的记忆文件，代理就可以从中断处继续进行。模型选择也很重要；更智能的模型能更好地处理压缩摘要。

　　检查你的记忆文件，看看我们正在做什么。在记忆文件中搜索 [主题 / 任务]。从对话中断的地方继续。

　　会话在每日重置时获得新的会话 ID（默认为当地时间凌晨 4:00）。这本质上是一个新的会话。只有引导文件和可搜索的记忆会延续。这种行为符合预期，不是错误。这就是为什么写入记忆文件很重要：每日重置由类似压缩的事件来保证。

　　搜索你的记忆文件，了解昨天的活动。我们当时在处理什么？做出了哪些决策？哪些事项尚未解决？请进行总结然后继续。

　　无需额外安装。压缩配置的保留底限为 40000，启用记忆刷新，使用 embeddinggemma 模型的本地混合搜索，以及 cache-ttl 修剪。复制并粘贴此内容。

　　相同的压缩和修剪配置，但将内置搜索替换为 QMD。指向你的 Obsidian 库，启用会话索引，然后开始。