刚刚，开源 AI 代理框架 OpenClaw 发布了 2026.3.7 版本测试版。本次更新不仅第一时间接入了 OpenAI 的 GPT-5.4 和 Google 的 Gemini 3.1 Flash-Lite 等前沿大模型，更引入了一项可能改变游戏规则的功能：可插拔的上下文引擎。
此次更新的详细内容列表包括：
- ACP 绑定在重启后依然可保留
- 精简版 Docker 多阶段构建
- 用于网关认证的 SecretRef
- 可插拔的上下文引擎
- 支持 HEIF 图像格式
- 修复 Zalo 渠道问题
其中，“可插拔的上下文引擎（pluggable context engine）” 成为了社区讨论的焦点。有开发者指出，上下文管理才是当前 AI 应用，特别是智能体（Agent）范式的真正瓶颈，而非模型本身。
更值得注意的是，在官方的更新日志中，直接点名了一个名为 lossless-claw 的插件作为示例。这引发了大家的好奇：这个上下文插件究竟是什么？它能解决什么问题？
上下文管理插件化：从“写死”到“可编程”
总体来看，OpenClaw 2026.3.7 的更新可以归纳为三个方向：上下文管理插件化、Agent 路由能力升级以及部署与工程化优化。而最核心的变革，无疑是上下文管理的插件化。
根据官方日志，本次更新新增了 ContextEngine 插件插槽。该接口提供了一套完整的生命周期钩子，例如 bootstrap（初始化）、ingest（摄取）、assemble（组装）、compact（压缩）等。这意味着，第三方插件现在能够深度介入上下文生成、压缩、拼接乃至子 Agent 生命周期的各个阶段，从而实现完全定制化的上下文管理策略。
用本次更新主要贡献者 Josh Lehman 的话来总结：
你其实不需要一个 Agent 记忆系统，你需要的是不会被重置的上下文。
在过去的版本中，OpenClaw 的上下文管理逻辑是“写死”在核心代码里的。例如，当对话历史过长时，系统如何压缩、如何丢弃旧信息，都是由固定算法决定，开发者难以干预。这直接导致了一些常见的用户体验问题：
- 长对话后期，Agent 开始“偷懒”，只列要点而不按要求详细输出。
- Agent 逐渐忘记早先制定的计划或修改过的文件。
- 任务执行到后半段，模型的响应质量明显下降，显得“变笨”了。
新的插件化机制，正是为了根治这些“健忘症”。简单来说，它带来了以下改变：
- 策略多样化：不同插件可以实现截然不同的上下文管理策略。
- 核心解耦：系统核心不再包含写死的压缩逻辑，变得更加灵活和可扩展。
- 精细控制：插件可以控制上下文压缩、组装，以及子 Agent 的整个生命周期。
其最直观的收益就是，在与 OpenClaw Agent 进行长时间、多轮复杂对话时，它的“记忆力”和任务一致性将得到显著提升。这无疑是人工智能 Agent 在实际应用中迈出的关键一步。
lossless-claw 插件：实现“无损”上下文管理
官方推荐的 lossless-claw 插件，就很好地诠释了这种新思路的力量。它提出并实现了一种名为“无损上下文管理（LCM）”的策略。
在传统系统中，面对冗长的对话历史，常见的做法是直接丢弃超出窗口的旧消息。而 lossless-claw 采用了截然不同的方法：
- 持久化存储：将所有历史消息完整地保存到 SQLite 数据库中，并按对话会话进行组织。
- 智能摘要：对较早的消息块，使用配置好的大模型生成摘要。
- 构建记忆图：将这些摘要压缩为更高层级的节点，形成一个有向无环图（DAG）结构，用以表示对话的脉络和关联。
- 动态组合上下文：在每一轮对话时，将高层级的摘要与最近期的原始消息组合起来，形成提交给模型的上下文。
- 提供回溯工具：为 Agent 提供如
lcm_grep、lcm_describe 等工具，使其能够主动搜索、描述和展开任何历史摘要，回溯到原始对话。
这意味着，在多轮交互中，原始消息被完整保留，系统通过摘要层维持对历史的理解和关联，而 Agent 在需要时可以随时“追溯”到任何细节。理论上，上下文实现了“永不丢失”。
（值得一提的是，该插件的设计思路源于论文《LCM: Lossless Context Management》，为感兴趣的研究者和开发者提供了理论参考。）
根据 OOLONG benchmark 的测试结果，使用相同模型时，搭载 lossless-claw 的 OpenClaw 得分为 74.8，超过了 Claude Code 的 70.3。更重要的是，测试显示的规律是上下文越长，性能优势越明显。Josh Lehman 表示，他已在实际场景中运行该插件一周，并评价其表现“远超预期”。
其他重要更新
除了革命性的上下文插件系统，本次更新还包括另外两大改进：
1. 强化的 Agent 路由系统
针对 Discord、Telegram 等协作平台，引入了持久化的线程绑定机制。即使 OpenClaw 服务重启，Agent 与特定频道或话题的绑定关系也不会丢失。同时，新增了按主题路由 Agent 的能力。例如，在 Telegram 的一个群组中，不同的讨论主题可以各自运行一个独立的 Agent，从而实现多任务并行处理。
2. 部署与工程化优化
为更好地支持生产环境部署，官方推出了基于 bookworm-slim 的 Docker 镜像。通过多阶段构建和移除非必要依赖，显著减少了容器体积，提升了启动速度，更适合服务器端大规模部署。此外，版本也开始为未来登陆 iOS App Store 和发布移动端应用进行前期准备。
对于关注 AI 智能体开发和前沿实践的开发者而言，OpenClaw 此次更新将上下文管理的控制权交给了社区，开启了新一轮开源实战与创新的可能性。更多技术细节和完整更新日志，可以参考以下链接：
本文由云栈社区整理发布，聚焦于前沿技术解读与开发者实践分享。
发表于 1 小时前
|
查看: 3|
回复: 0
