第六章 会话、上下文与记忆
最后更新于
到目前为止，你的 OpenClaw 能回答单轮问题了。但真正的对话是一系列交互，而不是孤立的问答：用户说“帮我分析这个表格”，然后跟进“对，按这个条件过滤一下”，再说“把结果发给我的经理”。这一系列交互需要：
会话来追踪“谁在和谁说话”，确保小张和小李的对话不会混淆
上下文来高效地把之前的信息（表格内容、用户偏好）提示给模型，而不是每次都从头开始
记忆来让智能体记住重要信息，比如“小张喜欢按价格排序”“我们公司用 Slack 而不是 Teams”
这三样东西看似简单，但在生产环境中的设计有很多陷阱。比如：
同一个用户的多个独立任务应该隔离在不同会话，还是合并在一个大会话里？
一个月前的对话记录还需要保留吗？保留的话成本会不会爆炸？
上下文窗口只有 200k token，要怎样优先级排序才能既有信息又不超预算？
本章的主线就是回答这些问题：会话用于定义状态归属，上下文用于在 Token 预算内组织可用信息，记忆用于跨会话长期沉淀事实与偏好。三者共同决定系统的可复现性、可观测性与可运维性。通过本章，你将学会如何在有限的资源约束下，让智能体保持长期的、可预测的、可复现的对话能力。
本章包括以下几个小节：
6.1 会话模型与状态持久化：理解会话（Session）的标识、生命周期与持久化边界。
6.2 上下文构建与窗口预算：掌握上下文的分层注入、优先级原则与预算分配策略。
6.3 记忆机制：写入、检索与失效：了解记忆机制：主存（Markdown）与检索后端的配合方式。
6.4 压缩与裁剪：折叠与丢弃策略：掌握长会话治理：裁剪（Pruning）与压缩（Compaction）的完整参数、触发机制与取舍。
6.5 本章小结：关键结论、端到端闭环示例与读者自检。
完成本章的阅读后，你将能够：
设计会话：为不同场景设计合理的会话隔离与标识策略。
组织上下文：按优先级分层注入信息，在 Token 预算约束下保持高信噪比。
建立记忆：设计长期记忆机制，让智能体记住重要信息并能可靠检索。
管理成长：通过裁剪与压缩，让长期会话保持高效且可回放。
最后更新于