Lossless Claw：无损上下文管理插件分析报告

Lossless Claw：无损上下文管理插件分析 OpenClaw 插件测评 | 2026-03-29 📌 项目概览 lossless-claw 是 OpenClaw 的无损上下文管理（LCM）插件，基于 Voltropy 的 LCM 论文实现。它用 DAG 层次化摘要系统替代传统的滑动窗口截断，在保持模型 token 限制内的同时永不丢失原始消息。 一、项目定位与核心价值 1.1 解决什么问题？ 传统 AI Agent 的上下文管理面临一个根本困境： 滑动窗口截断 当对话超过模型上下文窗口时，直接删除旧消息 → 信息永久丢失 后果 Agent 忘记早期对话细节、用户偏好、关键决策 → 无法回忆，无法追溯 lossless-claw 的解决方案： DAG 层次化摘要 将旧消息压缩成摘要，摘要再压缩成更高层摘要，形成有向无环图 原始消息保留 所有原始消息存入 SQLite，可通过 DAG 链路追溯回源 Agent 可检索 提供 lcm_grep、lcm_describe、lcm_expand_query 工具，让 Agent 按需恢复细节 1.2 核心架构 DAG 摘要结构： # DAG 层次结构 ┌─────────────────────────────────────────┐ │ Depth 2+ (Condensed Summary) │ │ - 高层抽象，1500-2000 tokens │ │ - 由多个 Depth 1 摘要压缩而来 │ ├─────────────────────────────────────────┤ │ Depth 1 (Condensed Summary) │ │ - 中层抽象，1500-2000 tokens │ │ - 由多个 Leaf 摘要压缩而来 │ ├─────────────────────────────────────────┤ │ Depth 0 (Leaf Summary) │ │ - 底层摘要，800-1200 tokens │ │ - 由原始消息块压缩而来 │> ├─────────────────────────────────────────┤ │ Raw Messages (SQLite) │ │ - 完整保留，永不删除 │ │ - 可通过 DAG 链路追溯 │ └─────────────────────────────────────────┘ 二、优点分析 2.1 核心优势 ✅ 真正无损 原始消息永久保存在 SQLite，摘要只是压缩视图。Agent 可以通过 expand 工具追溯任意摘要的源消息。 ✅ 自动层级压缩 增量压缩机制：当积累足够的 Leaf 摘要后，自动触发 Condensed 压缩。无需手动干预。 ✅ 上下文预算优化 freshTailCount 保护最近 N 条消息不压缩；contextThreshold 自动触发压缩时机。 ✅ Agent 工具完整 lcm_grep（搜索）、lcm_describe（查看详情）、lcm_expand_query（深度展开），三工具覆盖从浅到深的检索需求。 ✅ 大文件处理 超过阈值的文件内容单独存储，生成探索性摘要，避免单个文件吞掉整个上下文窗口。 ✅ 会话隔离 ignoreSessionPatterns 排除低价值会话；statelessSessionPatterns 让子代理只读不写。 ✅ 三级降级策略 Normal → Aggressive → Deterministic truncation。即使 LLM 摘要失败，也能保证压缩不中断。 ✅ 崩溃恢复 Bootstrap 阶段自动对比 JSONL 和 SQLite，导入缺失的消息，防止数据丢失。 2.2 与 OpenClaw 现有记忆系统对比 当前 OpenClaw 使用 PostgreSQL/pgvector + Cognee 的记忆系统： 对比维度 当前系统 (pgvector + Cognee) lossless-claw 存储方式 PostgreSQL + pgvector 向量索引 SQLite 消息存储 + DAG 摘要 检索方式 向量相似度检索 (distilled → session → full) 正则/全文搜索 + 层级展开 上下文压缩 无自动压缩，依赖召回策略 自动 DAG 压缩，保持 token 预算 知识提炼 Cognee 异步抽取实体/关系/事实 LLM 摘要，无结构化知识图谱 长期记忆 Markdown + PG 持久化 SQLite 持久化，按会话隔离 跨会话检索 支持（allConversations） 支持（allConversations） 三、缺点与风险 3.1 技术层面 ⚠️ LLM 调用成本 每次压缩都需要调用 LLM 生成摘要。长对话会产生大量 LLM API 调用，增加延迟和成本。 ⚠️ 摘要质量依赖 摘要质量完全依赖 LLM 能力。如果 LLM 生成的摘要遗漏关键信息，后续展开也无法恢复。 ⚠️ SQLite 单机限制 SQLite 不支持分布式。对于高并发、多用户场景，可能需要迁移到 PostgreSQL。 ⚠️ 无向量检索 lcm_grep 只支持正则/全文搜索，无语义相似度检索。对于模糊查询、概念关联等场景不如向量检索有效。 ⚠️ 子代理复杂性 lcm_expand_query 需要启动子代理来展开 DAG。这引入了额外的会话管理和权限控制复杂性。 3.2 与现有系统的冲突 ⚠️ 架构层面的冲突 OpenClaw 当前记忆系统已经有一套完整的分层架构：distilled → session → full，加上 Cognee 的异步知识提炼。如果引入 lossless-claw，会面临以下问题： 双轨记忆系统 PostgreSQL 记忆 vs SQLite LCM，两套系统并行，查询时需要决定用哪个。 功能重叠 两者都做"长期记忆存储"和"检索"。DAG 压缩 vs 向量检索，目标类似但实现不同。 资源消耗 两套系统都要调 LLM（Cognee 抽取 vs LCM 摘要），API 成本和延迟叠加。 维护复杂度 PostgreSQL + pgvector + Cognee + SQLite + LCM DAG，维护成本显著增加。 3.3 适用场景局限性 ✅ 适合 超长对话（数千轮）、需要精确追溯历史细节、Agent 需要回顾早期决策 ❌ 不适合 短对话、高并发多租户、语义检索优先、知识图谱构建 四、与当前 OpenClaw 部署的兼容性分析 4.1 技术栈兼容性 OpenClaw 版本 ✅ 需要支持 contextEngine 插件槽位 Node.js 版本 ✅ 需要 Node.js 22+ 数据库 ⚠️ SQLite（与现有 PostgreSQL 独立） LLM 提供商 ✅ 可配置独立 summarization 模型 4.2 集成建议 不建议直接替换现有记忆系统。原因： 1. 现有系统已稳定运行，PostgreSQL/pgvector + Cognee 架构成熟 2. Markdown 长期记忆 + distilled/session/full 分层已被验证有效 3. 引入双轨系统会增加维护成本和潜在冲突 4. 当前场景（日常对话 + 任务管理）不需要超长对话追溯 如果需要引入，建议作为可选插件而非默认上下文引擎： # 作为可选插件安装（不替换默认 context engine） openclaw plugins install @martian-engineering/lossless-claw # 在特定会话启用 # 配置 ignoreSessionPatterns 让日常会话继续用现有系统 # 仅对需要长对话追溯的特定会话启用 LCM 五、推荐使用场景 ✅ 强烈推荐 长期项目协作 Agent（需要记住几个月前的决策细节） ✅ 强烈推荐 代码审查/调试 Agent（需要追溯错误发生的历史上下文） ✅ 推荐 客户服务 Agent（需要完整对话历史用于争议解决） ✅ 推荐 研究助手 Agent（需要记住文献讨论、实验记录） ❌ 不推荐 日常对话、短任务、高并发场景 六、结论与建议 6.1 技术评价 评价维度 评分 说明 设计理念 ⭐⭐⭐⭐⭐ 无损压缩 + DAG 层级 + 可追溯，解决了滑动窗口的根本问题 实现质量 ⭐⭐⭐⭐ 代码结构清晰，文档完善，测试覆盖度高 易用性 ⭐⭐⭐⭐ 安装简单，配置灵活，但需要理解 DAG 概念 性能影响 ⭐⭐⭐ LLM 调用带来额外延迟和成本，SQLite 有扩展限制 生态兼容 ⭐⭐ 与现有 pgvector+Cognee 系统存在架构冲突 6.2 最终建议 🎯 推荐：暂不集成，保持观察 理由： 1. 当前记忆系统已经满足需求，引入双轨系统收益不明显 2. 日常对话场景不需要超长对话历史追溯 3. LLM API 成本和延迟会显著增加 4. SQLite 存储不适合未来的多租户/高并发扩展 5. 项目仍在活跃开发，可以等待更成熟的版本 如果未来出现以下场景，可以重新评估： • 需要运行长周期项目（数月），Agent 需要记住早期决策 • 需要精确追溯代码变更历史，用于调试或审计 • 项目支持 PostgreSQL 作为后端存储 • 项目添加向量检索支持，与 pgvector 系统整合 七、参考资源 项目地址 https://github.com/martian-engineering/lossless-claw 可视化演示 https://losslesscontext.ai LCM 论文 https://papers.voltropy.com/LCM OpenClaw https://github.com/openclaw/openclaw OpenClaw 插件测评 | 2026-03-29