lossless-claw：让 AI 拥有永不丢失的记忆

“信息是熵。” — 克劳德·香农

香农告诉我们，信息即不确定性。而上下文丢失，就是 AI Agent 最大的信息熵增。lossless-claw 试图做的，就是用有向无环图对抗这种熵增，让 AI 的每一次对话都成为可追溯、可逆、可持续积累的记忆。

lossless-claw 概念图

1. 来历：为什么会有这个插件

OpenClaw（绰号”大龙虾”）是 2026 年最受关注的开源 AI Agent 框架，GitHub 星标已突破 28 万。但它有一个天然的缺陷——上下文窗口有限。

默认模式下，OpenClaw 和大多数 Agent 一样：当上下文快要满时，会不断截断旧消息。这就像一个人每次只能记住最近 10 分钟的对话，之前的细节全部丢失。研究者称之为 AI 的”失忆症”。

2026 年 3 月，OpenClaw 迎来了一个大版本更新（v3.x），引入了 Context Engine 插件接口。这是一个关键的设计变化——它将上下文管理逻辑从核心框架中解耦出来，通过插槽式注册表和配置驱动解析，让开发者可以接入不同的上下文管理策略。

Martian Engineering 团队（就是开发 lossless-claw 的那群人）抓住了这个机会。他们认为：与其在核心框架里修修补补，不如重新设计一套无损的上下文管理机制。于是 lossless-claw 诞生了。

2. 原理：基于 DAG 的无损上下文管理

lossless-claw 的全称是 LCM (Lossless Context Management) plugin for OpenClaw，中文可以叫”无损上下文管理插件”。它的核心技术基于 有向无环图（DAG）。

2.1 滑动窗口的困境

传统 Agent 的上下文管理方式通常是”滑动窗口”——当上下文快满时，丢弃最早的消息，保留最新的。这导致两个问题：

信息丢失：早期的重要细节无法回溯
语义断层：被截断的对话可能让 AI 误解后续上下文

2.2 DAG 的解决思路

lossless-claw 采用了完全不同的策略。它不再简单丢弃旧消息，而是：

持久化存储：所有历史消息都被永久存储，而不是截断后丢弃
增量摘要：当消息量增长时，系统会自动生成摘要节点，压缩历史信息
DAG 结构：用有向无环图组织消息节点，保留消息间的依赖关系和推理路径
智能检索：Agent 可以随时回溯到任意历史节点，获取完整细节

你可以把 DAG 想象成一棵不断生长的树——新的对话是树枝，旧的对话不会消失，而是变成年轮。AI 可以在任何时候调取”年轮”中的信息。

2.3 核心特性

无损：完整保留每条原始消息，不丢失任何细节
可逆：摘要过程可逆，可以从摘要还原原始信息
增量：不需要每次都重新压缩，只处理增量部分
高保真：保留原始语义和推理路径，AI 不会误解上下文

3. 核心机制：它是如何工作的

3.1 消息存储层

当用户与 OpenClaw 对话时，每条消息都会经过以下处理：

消息捕获：所有用户消息和 AI 回复都被捕获
节点创建：每条消息作为一个节点存入 SQLite 数据库（默认路径 ~/.openclaw/lcm.db）
边建立：消息间的引用关系、父子关系被记录为图的边，形成 DAG 结构
摘要触发：当节点数量达到阈值时，触发摘要生成

原始消息永久保存在数据库中，摘要节点会记录其对应的原始消息——这意味着 AI 可以随时”深入”任意摘要，还原出完整的原始细节。

3.2 Agent 工具

lossless-claw 为 Agent 提供了三个内置工具，用于检索和回溯历史上下文：

lcm_grep：在历史消息中搜索关键词或正则表达式
lcm_describe：获取某个历史节点的详细信息
lcm_expand_query：深入摘要节点，还原被压缩的原始消息

这三个工具让 AI 在需要时能够主动查询”记忆”，而不只是被动等待上下文窗口的投喂。

3.2 摘要生成策略

这是 lossless-claw 最核心的创新。它不是简单地将 100 条消息压缩成 10 条，而是：

活跃上下文优先：确保当前对话的核心内容始终在上下文窗口内
语义保留：摘要时保留关键推理链和重要事实
引用可达：从摘要节点可以追溯到原始消息节点

3.3 上下文窗口管理

对于模型来说，lossless-claw 提供了一个”虚拟上下文窗口”：

窗口内是当前最活跃的对话 + 必要的摘要
窗口外的信息存在 DAG 中，随时可以调取
Agent 可以在任何时候发送”回溯请求”，获取历史细节

3.4 推荐配置参数

根据官方文档，推荐的起始配置为：

参数	值	说明
`freshTailCount`	32	保护最近 32 条消息不被压缩，确保模型始终有足够的最近上下文
`incrementalMaxDepth`	-1	允许无限的自动逐层摘要（DAG 可以无限深化）
`contextThreshold`	0.75	当上下文达到 75% 时触发压缩，为模型响应预留空间

摘要模型优先级（从高到低）：

LCM_SUMMARY_MODEL / LCM_SUMMARY_PROVIDER 环境变量
插件配置中的 summaryModel / summaryProvider
OpenClaw 默认压缩模型
遗留的 per-call 模型提示

3.5 Session 管理

lossless-claw 支持排除特定 session 不参与 LCM 存储。通过 ignoreSessionPatterns 可以配置哪些 session 应被完全忽略（不创建、不存储、不压缩）。模式支持 glob 语法：

* 匹配除冒号外的任意字符
** 匹配任意字符包括冒号

例如 agent:*:cron:** 可排除所有 cron 相关的 session。

4. 安装部署

4.1 环境要求

OpenClaw 版本 >= 2026.3.7（支持 Context Engine 插件接口，v2026.3.7 是首个引入该接口的版本）
Node.js >= 22（推荐 v22 LTS，低版本可能导致兼容性问题）
足够的存储空间用于持久化消息

4.2 安装步骤

第一步：安装插件

openclaw plugins install @martian-engineering/lossless-claw

第二步：配置（通常无需手动编辑）

openclaw plugins install 命令会自动完成插件注册和 contextEngine 槽位配置。在大多数情况下，不需要手动编辑配置文件。

如需手动配置，在 openclaw.json 中设置插件槽位：

{
  "plugins": {
    "slots": {
      "contextEngine": "lossless-claw"
    }
  }
}

如需自定义 lossless-claw 参数（如摘要模型、上下文阈值等），在 plugins.entries 中配置：

{
  "plugins": {
    "entries": {
      "lossless-claw": {
        "enabled": true,
        "config": {
          "freshTailCount": 32,
          "contextThreshold": 0.75,
          "incrementalMaxDepth": -1,
          "summaryModel": "anthropic/claude-haiku-4-5"
        }
      }
    }
  }
}

第三步：重启服务

openclaw gateway restart

4.3 验证安装

安装完成后，可以运行以下命令验证：

openclaw plugins list

确认 lossless-claw 处于 active 状态即可。

4.4 OpenClaw Session 保活配置

LCM 负责压缩和记忆，但 OpenClaw 自身的 session 重置策略需要单独配置。如果发现 session 很快被重置，需要调整 session.reset.idleMinutes：

{
  "session": {
    "reset": {
      "mode": "idle",
      "idleMinutes": 10080
    }
  }
}

常用值参考：1440 = 1 天，10080 = 7 天，43200 = 30 天。对于长期 LLM 使用场景，建议至少 7 天。

5. 进阶文档

lossless-claw 提供了多份详细文档：

Configuration guide：完整配置参考
Architecture：架构设计详解
Agent tools：工具使用说明
TUI Reference：终端 UI 参考
FTS5 全文搜索：可选的高性能搜索加速

6. 对 OpenClaw 生态的意义

6.1 解决长期记忆问题

这是最直接的价值。OpenClaw 本身是一个强大的 Agent 框架，但缺乏长期记忆能力。lossless-claw 补上了这最后一块短板，让 Agent 可以在多轮对话中持续学习和积累。

6.2 插件生态的示范

Context Engine 插件接口的引入，让 OpenClaw 从一个封闭的框架变成了可扩展的平台。lossless-claw 是第一个重量级的实现，证明了插件系统的可行性。可以预见，未来会有更多插件涌现——不同的记忆策略、不同的压缩算法、不同的检索机制。

6.3 企业级应用的基础

对于需要在复杂任务中保持上下文的场景（如代码审查、长期项目跟进、多步骤数据分析），无损上下文管理是刚需。lossless-claw 让 OpenClaw 从”玩具”变成”生产力工具”成为可能。

6.4 推动 AI Agent 记忆研究

从更宏观的角度看，lossless-claw 代表了一种新的研究方向——如何在有限的上下文窗口内实现近乎无损的记忆。它结合了传统信息检索和现代大模型压缩技术，为其他 Agent 框架提供了可借鉴的思路。

7. 局限与展望

当然，lossless-claw 也不是银弹：

存储成本：所有消息永久存储，长期使用后存储量可观
摘要质量：摘要生成依赖底层 LLM 的能力，摘要质量参差不齐可能影响效果
性能开销：DAG 管理和检索比简单滑动窗口更耗时

这些问题随着技术演进会逐步改善。Martian Engineering 团队也在持续迭代，GitHub 上已有 166+ commits 的活跃维护记录。

璞奇启示

lossless-claw 对学习类产品的启示在于“渐进式知识巩固”机制。

第一，信息的持久化存储是学习的基础。

lossless-claw 的核心洞察是：信息不应该被简单地丢弃，而应该被结构化地保留。这对应到学习场景，就是”笔记”的价值——碎片化的知识点需要被持久化存储，才能在需要时被调取。璞奇的练习系统本质上也是一种”知识持久化”——将用户学习的内容转化为可检验的练习记忆。

第二，摘要（压缩）能力决定了知识的可用性。

lossless-claw 的摘要不是简单裁剪，而是保留了关键的推理链。学习同样如此——单纯的死记硬背效果有限，只有将知识压缩为可迁移的”心智模型”，才能在新的场景中灵活运用。璞奇的 AI 练习生成，正是试图帮助用户建立这种压缩后的知识结构。

小结

香农的熵理论告诉我们：信息不会凭空消失，只会转移。lossless-claw 正是这句话的践行者——它不丢弃信息，而是用 DAG 重新组织信息，让 AI 在有限的窗口内看到近乎无损的上下文。

对于 OpenClaw 生态而言，lossless-claw 不只是一个插件，更是一种范式转变的信号：AI Agent 的记忆问题，终于有了靠谱的解决方案。

好的工具，让 AI 善假于物，也让人善假于 AI。

信息说明

关于 lossless-claw 的详细信息，以 GitHub 仓库的最新文档为准
关于 OpenClaw Context Engine 插件接口，以 OpenClaw 官方文档为准