# 6.5 本章小结

第六章将“对话变长就不稳”从模型能力问题转化为工程可控的问题：会话键决定状态归属，上下文构建控制注入顺序与预算分配，长期记忆文件承载稳定事实，裁剪（Pruning）与压缩（Compaction）保证长会话继续推进且便于回放与审计。

## 6.5.1 关键结论

* 会话先分桶再调优：作用域、身份链接与重置策略决定“是否串话、是否断档、是否可恢复”。
* 上下文要分层：身份先于知识，知识先于历史，历史先于工具回执；工具回注应结构化，避免原始输出堆积。
* 记忆要可维护：仅写稳定事实并附加来源与更新时间；过程噪声进入每日日志或证据文件。
* 裁剪与压缩要可验证：裁剪主要收敛模型输入体积，压缩则以可审计方式把早期对话折叠为摘要；两者都应保留可回放证据链。

## 6.5.2 端到端闭环示例

以下用一条消息的完整生命周期串联本章四节的核心概念：

1. **会话归属（6.1）**：用户 Alice 在 Telegram 发送“帮我查一下 prod-cluster-us 的 Pod 重启次数”。系统根据当前渠道、对端身份、智能体归属与会话作用域规则推导出对应的 `sessionKey`，并命中已有会话。
2. **上下文组装（6.2）**：Gateway 按优先级组装输入——先按 gate 注入 AGENTS.md / SOUL.md / TOOLS.md / IDENTITY.md / USER.md / HEARTBEAT.md / BOOTSTRAP.md 等项目上下文，再拼接当前会话在压缩/裁剪后保留的历史消息，并为本轮工具调用预留空间。
3. **记忆命中（6.3）**：memory-core 会注入记忆工具使用指导；模型可按需调用 `memory_search` / `memory_get`，active-memory 也可能在满足条件时加入 preprompt，从而把“prod-cluster-us 使用指定服务账号运维”这类事实带入上下文。`memory_recall` 只在选择 LanceDB 等替代记忆插件时出现。
4. **工具调用与回注**：模型决定调用 `kubectl get pods` 工具。工具返回 50K 字符的原始输出，系统将关键摘要（Pod 名 + 重启次数）回注进会话，全量结果落盘为证据文件。
5. **裁剪触发（6.4）**：经过多轮交互，上下文达到 `softTrimRatio` 阈值。`contextPruning` 将 3 轮前的 kubectl 原始输出截为头尾各 1500 字符；更早的工具结果被 `hardClear` 替换为占位符，从而控制送入模型的输入规模。
6. **压缩触发（6.4）**：会话接近 `contextWindowTokens - reserveTokensFloor - softThresholdTokens` 这个实际阈值时，预压缩记忆刷新机制先让智能体把关键进展写入 `memory/2026-03-22.md`，随后 Compaction 将更早的会话折叠为摘要并持久化到追踪历史中，同时保留回放线索。`softThresholdTokens` 是提前量，不是独立的触发总量。

排障时，可通过 `sessionKey` 在日志中追踪这条消息的完整链路：从会话归属 → 上下文组装 → 记忆检索 → 工具调用 → 裁剪/压缩，每个环节都有对应的 `traceId` 可供回放。

## 6.5.3 读者自检

* [ ] 能否解释某条消息落到哪个会话键，以及会话重置何时发生？
* [ ] 上下文组装时，四层信息源的注入顺序和优先级是否清晰？
* [ ] 长会话中输入体积是否可控，裁剪（Pruning）/压缩（Compaction）发生时能否在日志中对账？
* [ ] 记忆文件是否按规则维护（来源、更新时间、可撤销），并能被检索命中？
* [ ] 压缩触发后任务能继续推进，且回放链路可复现？

## 6.5.4 下一章预告

[第七章](/openclaw_guide/di-er-bu-fen-jin-jie-shi-yong/07_multi_agent.md)进入多智能体与路由：把入口收敛为可控触发面，并用绑定、路由与协作模式把“由谁接管、能做什么、如何回放”做成确定性边界。


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://yeasy.gitbook.io/openclaw_guide/di-er-bu-fen-jin-jie-shi-yong/06_context_memory/summary.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.