Agent上下文管理：从OpenClaw与Claude Code看长期记忆的工程解法

所有Agent框架都会碰到同一个瓶颈：上下文窗口终究是有限的，装不下模型需要的全部信息。会话越来越长、文件越读越多、子任务调用越来越频繁、工具返回结果不断累积——框架必须在“保留哪些内容”“压缩哪些内容”“延后调用哪些内容”之间做出权衡。

不管是ChatGPT还是DeepSeek，会话拉长后模型都会逐渐模糊最初的任务目标；冗长的模板内容往往占掉近半的上下文；各种工具输出更是挤占了本该留给有效对话的空间。

现在真正关键的问题已经不是“往提示词里放什么”，而是“框架如何长期、动态地管理上下文”。优秀的系统不会把上下文窗口当成被动的文本缓冲区，而是主动调控：常驻核心高价值状态信息、按需调取数据、用索引快速检索所需内容（grep这类文本检索工具正是这个思路），同时以合理的截断方式保留线索，提示用户或模型可以去取更多完整内容。

OpenClaw、Claude Code等Agent在这个问题上的做法各有不同，但路线正在逐渐收敛，背后是一套趋于共识的底层逻辑。上下文已经不再是“能塞进对话记录里的东西”，而是需要系统主动管理的资源。真正的设计核心在于：多少管理逻辑由Agent框架承担，又有多少得交给模型自己去处理。

核心思路：让模型自己管理上下文

每一项上下文管理策略，其实都暗含对模型行为的预设。关键分歧在于：框架到底要不要主动限制上下文占用，还是信任模型能自行把控资源配额？

文件读取就是个很直观的例子。当模型要读的文件超过上下文容纳上限时，必须由某一方来决定保留哪些内容。OpenClaw和Claude Code都支持偏移量与限制条数参数来实现分页读取。

OpenClaw

OpenClaw 读取文件设有硬性上限：最多 2000 行或 50 千字节，以先到者为准，即便模型没有要求分段读取也会强制限制。内容从开头截断，工具输出末尾会附带明确的续读提示：“当前展示 1–2000 行，共 50000 行。可使用 offset=2001 继续读取”。工具说明中也明确标注：输出内容将截断至 2000 行或 50 千字节；大文件请使用偏移量与条数限制参数。

在此基础上，它对启动文件（会话初始加载的一次性上下文文件）增设额外限制：单文件上限 12000 字符，整体总计上限 60000 字符。若启动文件超出配额，会采用前 75%+ 后 25% 的拆分策略：保留文件首尾内容，删减中间段落。

工具返回结果也设有独立配额：16000 字符，或上下文窗口容量的 30%，取两者较小值。若识别到文件尾部存在关键内容（报错信息、JSON闭合符号、总结类关键词），会自动切换为首尾保留模式；否则仅保留文件开头内容。

OpenClaw 采用的是多层防护方案：以截断规则作为第一层防护，额外限制启动文件注入内容，再叠加工具输出配额管控。

Claude Code

Claude Code 为文件读取设置双层防护机制。第一层是读取前校验：打开文件前通过文件状态检测，设置 256 千字节的大小上限；文件超标则直接拒绝读取并返回错误提示，引导模型改用分页参数或检索指令。第二层是读取后校验：统计输出 token 数，上限 25000 token，用于拦截体积合规但文本密度过高的文件。两项限制均可通过 GrowthBook 功能标签远程调整，无需更新客户端版本。

即便文件未超出限制，工具默认仅返回开头 2000 行，且单行字符超过 2000 也会被截断。模型必须手动填写偏移量与条数参数才能读取更多内容。

工具说明为多段落完整提示词，详细讲解分页规则、大小限制，适配图片、PDF、笔记类文件，并支持多文件并行读取。偏移量、限制条数参数均配有独立说明，明确适用于超大文件分段读取。同时可根据功能标签，选择性在提示词中直接展示 256KB 限制规则。

其文件去重机制也极具实用价值：若模型重复读取同一文件的相同区间且文件无修改，系统将返回精简摘要，避免上下文出现重复 token 冗余。

Claude Code 是一套可远程调控的框架优先方案：包含读取前字节校验、读取后 token 校验、行数与单行长度限制、引导式报错、详尽工具说明、读取去重，以及服务端动态可调的功能配置。

真正的工程难点：会话精简

随着对话不断变长，所有 Agent 框架都必须抉择哪些内容保留、哪些舍弃。这恰恰是设计差异最关键的体现——内容压缩策略直接决定了长期运行的 Agent 是能保持逻辑连贯，还是逐步劣化。

OpenClaw

OpenClaw 采用基于大模型摘要的压缩机制，由 token 阈值触发执行。

• 触发条件：对话历史占用超过上下文窗口的 50%（最大历史占比，默认值 0.5）
• 保留内容：将历史记录按 token 量均匀分块；丢弃最旧分块，保留剩余内容，并修复工具调用与返回结果的配对关系
• 内容摘要：被丢弃的内容会经过多阶段、多轮大模型摘要处理，并执行内容合并
• 摘要存放：将生成的摘要消息前置到保留的后续对话内容开头
• 工具调用安全：通过 repairToolUseResultPairing 修复分块删除后孤立的工具返回数据；借助 splitMessagesByTokenShare，避免在工具调用/结果配对中间截断内容
• 压缩前状态留存：执行一次静默 Agent 轮次，在历史内容清理前将运行状态持久化至记忆文件
• 第二层机制：对工具结果进行无损内存精简（先软截断，再强制清空），缓存有效期五分钟；在保障完整对话记录不被破坏的同时，为当前请求释放上下文空间

Claude Code

Claude Code 依靠查询前优化与大模型摘要压缩双重方式管理上下文。

• 查询前优化（每次调用模型都会执行，不受上下文压力影响）
  每次发起模型调用前，Claude Code 都会运行一套处理流程：仅优化工具返回内容，保留原始对话文本不变。超大工具结果会存入本地磁盘，仅保留 2KB 预览内容；单类工具输出上限 50000 字符，单条消息总内容上限 200000 字符。比如 60KB 的检索结果，在会话首轮就会被转移存储、释放上下文。

• 大模型摘要压缩  

  • 触发条件：预估 token 用量超出有效上下文窗口，并预留 13000 token 缓冲（200K 上下文模型，通常在约 167K token 时触发压缩）  
  • 摘要范围：完整对话会传入模型，搭配结构化九段式提示词，涵盖核心需求、关键技术概念、文件与代码、报错及修复方案、问题解决过程、全部用户消息、待办任务、当前工作进度与可选下一步计划  
  • 摘要呈现：以一条用户消息形式告知模型，当前会话是接续上一轮因上下文耗尽而中断的对话  
  • 压缩后恢复：压缩完成后，在 token 配额范围内自动重新挂载至多 5 个近期读取过的文件  
  • 摘要质量保障：模型会分别输出分析草稿与最终摘要，并用标签区分；仅保留最终摘要写入上下文，剔除草稿内容，兼顾精简度与信息质量  
  • 超长提示兜底方案：若压缩操作本身触发上下文上限，系统将执行确定性头部裁剪，移除最早的多轮交互记录（删减 20% 交互分组，或删减至允许的 token 占用长度）

Sub-agent 上下文管理

无论是 OpenClaw 还是 Claude Code，都不会把完整的父级对话历史复制给 sub-agent。Sub-agent 普遍与父会话相互隔离。

两者的核心差异在于：sub-agent 会继承哪些工作空间上下文。

OpenClaw 默认给 sub-agent 分配全新的隔离会话，不继承父对话记录。它提供分支复制模式，仅在同类型 Agent 派生场景下才会将父会话记录同步至 sub-agent；工作空间上下文会经过过滤，仅保留最小白名单文件（AGENTS.md、TOOLS.md、SOUL.md）。

Claude Code 包含两种运行模式。默认的 typed-agent 模式会创建空白对话：委派指令作为唯一用户消息，无任何父级历史。新增的分支派生模式则会把完整父会话消息同步给 sub-agent，实现提示缓存复用，同时附带一条合成助手消息与占位工具返回结果。工作 agent 会重新初始化独立权限的工具；异步 agent 拥有明确权限白名单（读取、检索、路径匹配、终端命令、编辑、写入、网页搜索等）。Agent 配置中引用的能力模块会提前预加载，完整技能文档以用户消息形式注入初始会话，而非按需加载。

写在最后：趋同之处

最关键的结论并不是彼此的区别，而是高度的共识。OpenClaw 和 Claude Code 都对文件读取设置硬性上限、支持偏移/分页读取、限制工具输出体积、隔离 sub-agent 会话、基于 token 阈值触发大模型摘要压缩、实时估算上下文占用并识别资源压力。这并非巧合，而是面对同一工程难题的趋同解法：在有限的固定上下文空间里，实现近乎无限的使用体验。

这种趋同不止停留在功能层面，核心设计思路高度契合：Claude Code 与 OpenClaw 都会将超大工具结果持久化至本地；两者在压缩精简时都严格保证工具调用与返回结果的边界完整；它们都支持将父会话记录分支同步给 sub-agent。OpenClaw 和 Claude 彼此独立研发，最终却形成了一致的最优方案。

五十年的计算机发展史早已证明：最优的内存管理，是让程序完全无感的管理。寄存器、缓存行、页表、交换分区，每一层都由系统自主调度，对上层完全透明。程序只需正常运行即可。

Agent 框架也正朝着这一方向演进。其目标并非把所有信息全盘交给模型，而是在恰当的时机为其提供恰到好处的工作集，并让模型能自主动态决策、管理自身上下文。

如果你对这类工程实践感兴趣，不妨在云栈社区上找到更多同行的深度讨论。