1. 为什么我的 OpenClaw 会话总在“快满”时才压缩如果你正在用 OpenClaw 跑长对话、做 research、或者挂一堆浏览器和 shell 工具大概率会遇到这个场景前面几十轮聊得好好的突然某一轮开始模型像失忆了一样把之前确认过的细节全丢了。你翻日志才发现auto-compaction 刚刚触发历史被压成了一段摘要。问题不在于“压缩”这件事本身而在于压缩的时机。默认配置下OpenClaw 会尽量保留原始上下文直到上下文占用逼近模型窗口上限才动手。对短问答无所谓但对长链任务这个“濒临上限才救火”的策略会让你在关键时刻丢掉细节。这里的关键配置就是reserveTokensFloor。很多人第一次看到它会以为它是“压缩触发百分比”于是想改成 75% 甚至 50%。但实际跑下来会发现改完之后压缩行为跟预期对不上。原因在于OpenClaw 的 auto-compaction 不是按百分比触发的而是按 headroom预留空间触发的。这篇文章就围绕reserveTokensFloor、reserveTokens、contextWindow三者的取值关系把触发边界讲清楚并给出可复制的配置片段和日志验证动作。适合已经在用 OpenClaw、想定位“压缩时机异常”的开发者。如果你还没接上模型通道后面也会给出用 TaoToken 统一 Key/API 通道的接入方式方便你直接复现验证。核心检索词先摆出来OpenClaw、reserveTokensFloor、auto-compaction、contextWindow、reserveTokens。搞懂这五个词的关系压缩时机就不再是黑盒。2. reserveTokensFloor 与 auto-compaction 的联动机制先把结论放前面方便你对照自己的配置auto-compaction 不按固定轮数触发也不按固定时间触发。它核心判断的是contextTokens contextWindow - reserveTokens。reserveTokensFloor不是压缩百分比而是给reserveTokens设的最小下限。128k 窗口下默认 floor 20000 大致对应 84% 附近才开始进入压缩压力区。想让压缩提前到 75% 左右128k 窗口可以把 floor 设成 32000。2.1 auto-compaction 的两种触发路径在 Pi runtime 下auto-compaction 主要有两条触发路径。第一条是overflow recovery。当模型已经返回 context overflow 错误时系统会先 compact再 retry。这是“撞线之后的补救”属于被动触发。第二条是threshold maintenance也是更常见的一种。在一次 successful turn 之后运行时发现上下文已经很重于是提前触发压缩避免下一轮请求直接撞上限。它的判断公式就是contextTokens contextWindow - reserveTokens三个变量分别是变量含义contextTokens当前会话已经占掉的上下文 tokencontextWindow模型总窗口reserveTokens给后续 prompt、system、tool 调用结果以及下一次模型输出预留的 headroom所以本质上不是“上下文用了多少百分比”而是在当前上下文基础上系统还要不要为下一轮保留足够的生存空间。这比单纯百分比更工程化也更贴近真实运行条件。2.2 reserveTokensFloor 到底改的是什么这是最容易误解的地方。reserveTokensFloor不是“compact 触发阈值”它更准确的含义是给 Pi runtime 的 reserveTokens 设一个保底值。也就是说真正参与公式的是reserveTokens而 OpenClaw 会确保它不低于reserveTokensFloor。它更像一个 safety floor而不是 direct threshold。文档里默认 floor 是 20000 tokens。这意味着如果运行时本来给的 reserveTokens 更低OpenClaw 会把它抬到至少 20000如果本来更高就不会压低。2.3 为什么不能直接理解成“75%”因为 compaction 逻辑不是这样写的if usage 75% then compact if contextTokens contextWindow - reserveTokens then compact所以当你说“我想在 75% 左右触发”你实际上是在表达我希望预留大约 25% 的窗口当 headroom。如果模型窗口是 128k换算关系大致如下目标触发点对应预留 headroom约等于 reserveTokens50%50%6400060%40%5120070%30%3840075%25%3200080%20%2560085%15%19200换句话说想更早压缩就提高 reserveTokens想更晚压缩就降低 reserveTokens而不是去找一个“百分比字段”。2.4 默认 20000 在 128k 窗口下意味着什么如果窗口是 128000而reserveTokensFloor 20000可以做一个直观估算128000 - 20000 108000 108000 / 128000 ≈ 84.4%所以默认配置本质上更接近“先尽量保留原始上下文快到 84% 以后再积极压缩。”这对普通对话、短任务、轻量工具调用是合理的。但如果你的 session 是长对话连续 research、大段网页或文件内容注入、浏览器工具和 tool result 很多默认 20000 就可能显得偏晚。2.5 为什么 75% 常常比 50% 更合理很多人第一反应是“干脆提早到 50% 最稳”。但实际会带来两个副作用。一是 compaction 会变得过于频繁。把 reserveTokens 拉到 64k相当于一半窗口刚用掉就开始压缩会话更早被 summary 化原始对话细节保留时间缩短长任务中的上下文连续性可能下降。二是会影响长链任务体验。对于写长文、多轮研究总结、一边查资料一边沉淀、带工具的复杂分析过早 compact 往往不是“更安全”而是“更快丢细节”。从实战经验看50% 通常过于激进75% 更平衡80%–85% 更接近默认保守策略。这也是为什么更推荐先把 floor 调到 32000而不是直接冲到 64000。3. 可复制的 OpenClaw 配置片段这一节给出可以直接落地的配置。先说明接入通道如果你还没配好模型通道可以用 TaoToken 的统一 Key/API 通道把 Base URL 指向https://taotoken.net/apiKey 在控制台生成模型 ID 按你实际使用的填。这样 OpenClaw 侧只需要维护一套通道配置方便你专注验证 compaction 行为。3.1 把 128k session 调到约 75% 提前保护如果你当前模型窗口是 128k希望在大约 75% 左右就开始更积极地进入 compaction 保护区可以在 OpenClaw 配置里这样写{ agents: { defaults: { compaction: { mode: safeguard, reserveTokensFloor: 32000 } } } }这个配置的含义是继续用 safeguard 模式处理较长历史把 compaction 的安全预留空间抬到 32000对于 128k 窗口相当于更接近 75% 附近开始紧张。注意这依然不是严格的“75% 固定阈值”而是更接近 75% 的 headroom 策略。3.2 更保守的方案如果你的工作流是非常频繁的 research 或 multi-tool非常在意上下文安全边际可以再往上抬一点{ agents: { defaults: { compaction: { mode: safeguard, reserveTokensFloor: 38400 } } } }38400 对应 128k 窗口下约 30% 的 headroom触发点大致在 70% 附近。3.3 不建议直接上 64000{ agents: { defaults: { compaction: { mode: safeguard, reserveTokensFloor: 64000 } } } }这大致相当于 50% 附近就开始压缩通常过于激进。除非你的 session 明确只需要短上下文否则不建议一上来就用。3.4 别忘了 memoryFlush 和 contextPruningreserveTokensFloor之外还有两个相关配置值得一起看。memoryFlush.softThresholdTokens的作用不是触发 compaction而是在 auto-compaction 之前先运行一个静默的 memory flush turn把值得长期保存的信息落盘。这个设计承认了一件事compaction 不是无损的所以在 compact 前最好先把 durable memory 存下来。{ agents: { defaults: { memoryFlush: { softThresholdTokens: 24000 } } } }contextPruning则主要做的是先从内存上下文里裁旧的 tool results但不会修改磁盘上的 session history。可以粗略理解为compaction 把历史压成摘要属于 session-level 变化contextPruning 裁工具输出属于 in-memory payload 优化。如果你的上下文膨胀主要来自超长 tool result先看 pruning 也很值。3.5 三件套对照表无论你用哪种通道OpenClaw 侧接入都需要对齐三件套配置项值Base URLhttps://taotoken.net/apiAPI Key在控制台生成形如 sk-xxxxModel ID按你实际使用的模型填写把这三项填进 OpenClaw 的 provider 配置后再叠加前面的 compaction 配置就能复现本文的验证流程。4. 验证请求与日志确认压缩时机配好之后最关键的一步是验证压缩到底在什么位置触发。光看配置不够要看日志里的实际数值。4.1 打开日志并观察关键字段先确保 OpenClaw 的日志级别能看到 compaction 相关事件。跑一个长对话 session持续注入内容观察日志里是否出现类似字段contextTokens... contextWindow... reserveTokens... compaction triggered重点看contextTokens和contextWindow - reserveTokens的大小关系。当contextTokens首次超过后者时threshold maintenance 就应该触发。4.2 用一个可复现的注入脚本为了快速逼近阈值可以写一个简单的循环往 session 里持续塞文本观察触发点for i in $(seq 1 200); do echo turn $i: 这是一段用于推高 contextTokens 的测试内容重复填充以逼近压缩阈值。 done把这段内容分批喂给 OpenClaw 的 session同时盯日志。你会看到contextTokens逐步上升直到某一轮之后出现 compaction 事件。4.3 对照预期触发点以 128k 窗口、floor 32000 为例预期触发点大约在128000 - 32000 96000 96000 / 128000 75%如果你在日志里看到contextTokens在 96000 附近首次触发 compaction说明配置生效。如果明显偏离比如 108000 才触发那说明reserveTokensFloor没有真正抬上去需要检查配置层级是否写对。4.4 用模型对话快速验证通道在正式跑长 session 之前建议先用模型对话确认通道本身是通的。打开模型对话页面发一条测试请求确认返回正常再进入 OpenClaw 的长上下文验证。这样能把“通道问题”和“compaction 配置问题”分开排查。5. 压缩时机异常的常见报错与排查这一节对照真实会遇到的报错逐条排查。5.1 401 Unauthorized如果日志里出现 401说明 Key 没被正确识别。检查三件套里的 API Key 是否填对是否有多余空格是否用了已失效的 Key。用 TaoToken 的话去控制台重新生成一个 Key替换后重试。5.2 local proxy failed出现local proxy failed通常说明本地转发层没起来或者 Base URL 指向了一个不可达的地址。确认 Base URL 是https://taotoken.net/api不要多加路径后缀。如果你本地有转发脚本确认它监听正常。5.3 reading choices 相关报错如果报错里出现reading choices之类的字段解析失败多半是响应格式和客户端预期不一致。先确认 Model ID 填的是通道支持的模型再确认请求体没有多余字段。用模型对话单独发一条最小请求能快速判断是通道问题还是 OpenClaw 配置问题。5.4 OAuth 相关报错部分客户端走 OAuth 流程时会报错。如果你用的是 API Key 模式确认没有混入 OAuth 配置。把认证方式统一成 Key避免两套机制互相干扰。5.5 配置写了但压缩点没变这是最常见的一类。排查顺序第一确认reserveTokensFloor写在正确的层级。不同版本的 OpenClaw 配置结构可能不同agents.defaults.compaction是常见路径但要以你实际版本的文档为准。第二确认没有别的地方覆盖了reserveTokens。如果运行时显式传了一个更大的 reserveTokensfloor 就不会起作用。第三确认模型窗口contextWindow填对了。如果你以为窗口是 128k实际配的是 64k那触发点会完全对不上。第四看日志里reserveTokens的实际值。如果它没有等于你设的 floor说明配置没生效。5.6 压缩太频繁导致丢细节如果你把 floor 设得过高比如 64000会发现压缩过于频繁长任务里细节丢失严重。这时候把 floor 降回 32000 或 38400观察几轮找到适合你工作流密度的平衡点。5.7 工具输出撑爆上下文如果上下文膨胀主要来自超长 tool result光调 floor 效果有限。这时候优先看contextPruning先把旧的 tool results 裁掉再考虑 compaction。两者配合才能把上下文管理做稳。6. 把 reserveTokensFloor 用对的几个实操建议reserveTokensFloor这个配置看起来很小但它背后体现的是一个很重要的工程思路上下文管理不是“快满了再处理”而是要给下一轮推理保留足够 headroom。它不是百分比阈值它是 headroom 策略。如果你要记住一件事那就是先试 75% 左右再根据真实工作流密度微调。对于 128k 模型窗口目前最推荐的起点仍然是{ agents: { defaults: { compaction: { mode: safeguard, reserveTokensFloor: 32000 } } } }调完之后别只看配置一定要回到日志里确认contextTokens首次超过contextWindow - reserveTokens的位置。只有日志对上了才算真正把压缩时机握在手里。如果你还没配好通道可以先用 TaoToken 的统一 Key/API 通道把 Base URL 指向https://taotoken.net/api在控制台生成 Key填好 Model ID再按本文的步骤跑一遍验证。通道通了compaction 的边界条件就变成一个可以量化、可以复现的工程问题而不是靠感觉猜。