🦞OpenClaw 第二大脑：lossless-claw-enhanced 精准记忆插件完全指南

难度：中等 · 时长：约 15 分钟 · 收获：理解 DAG 摘要原理，安装配置 lossless-claw-enhanced，规避常见配置坑

背景：上下文管理的痛点

用 AI 助手处理长对话时，传统方案是"截断"——上下文快满时，直接丢掉最老的消息。结果是：AI 会忘记早期说过的重要事实、决定或上下文。

OpenClaw 默认的 legacy context engine 用的是**滑动窗口（sliding window）**策略——直接丢弃最老的 N 条消息。这对需要长期记忆的任务来说是致命的。

lossless-claw 是一个 OpenClaw 插件，用 DAG（有向无环图）式摘要系统替代滑动窗口：消息永远不丢失，而是压缩成多层级摘要，按需展开还原。

而 lossless-claw-enhanced 是 win4r 的增强 fork，在原版基础上额外修复了 CJK 字符 Token 估算偏低 的核心问题。

项目地址：win4r/lossless-claw-enhanced

滑动窗口 vs DAG 摘要：核心区别

DAG 的好处是无损——原始消息存在 SQLite 里，摘要像索引一样指向它们，需要时可以精确展开某条历史记录的细节。

增强版修复了什么

1. CJK Token 估算修复（核心问题）

原版使用 Math.ceil(text.length / 4) 估算 Token，假设 4 个字符约等于 1 个 Token。这个公式对英文有效，但对中文/日文/韩文（CJK）严重偏低。

实测对比：

"这个项目的架构设计非常优秀"（14个CJK字符）
  原版估算：ceil(14 / 4) = 4 tokens    ❌ 严重偏低
  增强版：  ceil(14 × 1.5) = 21 tokens  ✅ 接近真实值
  实际(cl100k_base)：          19 tokens

影响： CJK 估算偏低会导致 compaction 触发过晚、上下文预算失准、大文件拦截失效。中文 AI 对话使用原版 lossless-claw，实际上下文窗口会比估算值更早溢出。

2. 从上游 cherry-pick 的 Bug 修复

工作原理：DAG 摘要系统

数据模型

Conversation（对话）
  └── Message（原始消息，永久存储）
        ├── seq：序号
        ├── content：纯文本
        ├── tokenCount：Token 数（CJK 修正后）
        └── message_parts：原始结构（工具调用/结果等）

  └── Summary（摘要，DAG 节点）
        ├── depth：层级（0=leaf，1+=condensed）
        ├── summaryId：摘要唯一 ID
        ├── source → 指向原始消息或下级摘要
        └── descendantCount：后代摘要数量

两级摘要

Leaf Summary（深度 0）：

• 直接由原始消息块压缩生成
• 每条约 800–1200 tokens
• 保留时间戳和关键事实

Condensed Summary（深度 1+）：

• 由多个同层级摘要再次压缩生成
• 层级越高，内容越抽象
• 形成 DAG 结构，越顶层越精炼

Compaction 生命周期

新消息进入
    ↓
ingest：写入 SQLite，更新 context_items
    ↓
afterTurn：判断是否触发 compaction
    ↓
Leaf Pass：将一批原始消息 → leaf summary
    ↓
Condensation：满足条件时，leaf → condensed（逐层向上）
    ↓
context_items 更新：消息被摘要替换，上下文窗口始终可控

Context Assembly（上下文组装）

当模型需要回复时，lossless-claw 从 DAG 中选取最相关的节点重建上下文：

1. 保留 fresh tail（最近 N 条消息，原始形式）
2. 从最新往最老遍历，选取摘要填满上下文预算
3. 摘要之间的衔接处，插入 previous_context（前一条摘要的摘要）保证连续性

安装步骤

前置条件

• OpenClaw 已正常运行
• Node.js / npm（插件自身依赖）
• Git（用于克隆仓库）

Step 1：克隆仓库

git clone https://github.com/win4r/lossless-claw-enhanced.git
cd lossless-claw-enhanced

Step 2：安装 npm 依赖

npm install

⚠️ --link 模式不会自动安装依赖，必须手动执行一次 npm install。

Step 3：Link 模式安装插件

推荐 link 模式（代码改动后 OpenClaw 直接读取最新版本，无需重装）：

openclaw plugins install --link ./lossless-claw-enhanced

# 等价写法
openclaw plugins install -l ./lossless-claw-enhanced

copy 模式（安装固定快照，后续不跟踪更新）：

openclaw plugins install ./lossless-claw-enhanced

Step 4：配置 contextEngine Slot（关键！）

插件装完后，必须手动切换 context engine slot，否则系统仍用 legacy 引擎。

编辑 ~/.openclaw/openclaw.json，在 plugins 中加入：

{
  "plugins": {
    "slots": {
      "contextEngine": "lossless-claw"
    },
    "entries": {
      "lossless-claw": {
        "enabled": true,
        "config": {
          "freshTailCount": 32,
          "contextThreshold": 0.75,
          "incrementalMaxDepth": -1,
          "ignoreSessionPatterns": [
            "agent:*:cron:**",
            "agent:*:subagent:**"
          ],
          "summaryModel": "minimax/MiniMax-M2.7-highspeed"
        }
      }
    }
  }
}

Step 5：重启 Gateway

openclaw gateway restart

参数配置详解

核心参数

参数调整建议

长时间对话（数周/数月）推荐：

{
  "freshTailCount": 48,
  "contextThreshold": 0.70,
  "incrementalMaxDepth": -1
}

短对话/快节奏任务推荐：

{
  "freshTailCount": 16,
  "contextThreshold": 0.85,
  "incrementalMaxDepth": 0
}

编码场景（推荐）：

{
  "freshTailCount": 32,
  "leafTargetTokens": 1000
}

摘要模型配置

默认使用主会话当前模型做摘要，也可指定独立模型：

# 环境变量方式（优先级最高，会覆盖配置文件！）
export LCM_SUMMARY_MODEL=anthropic/claude-haiku-4-5
export LCM_SUMMARY_PROVIDER=anthropic

# 配置文件方式
"summaryModel": "minimax/MiniMax-M2.7-highspeed"

常见坑与排查

坑 1：装了插件但没切 slot（最常见）

插件装上了，但 contextEngine 还是 legacy，系统继续用滑动窗口。

检查：

openclaw plugins inspect lossless-claw

输出应有 Status: loaded。同时确认 openclaw.json 中有 "slots.contextEngine": "lossless-claw"。

坑 2：改了配置没重启 Gateway

配置写入后 Gateway 没重启，插件仍是旧配置加载。

解决： 每次改完配置执行 openclaw gateway restart。

坑 3：LCM_SUMMARY_MODEL 环境变量覆盖

在 .bashrc 或 .zshrc 里设了 LCM_SUMMARY_MODEL，结果覆盖了配置文件里的 summaryModel。

检查：

echo $LCM_SUMMARY_MODEL

如果返回了值，说明环境变量已设置。要么 unset LCM_SUMMARY_MODEL，要么在环境变量里改成目标模型。

坑 4：ignoreSessionPatterns 漏配导致 cron/subagent 也被压缩

如果没配置 ignoreSessionPatterns，cron 任务和 subagent session 也会被 lossless-claw 跟踪和压缩，浪费资源。

推荐配置：

"ignoreSessionPatterns": [
  "agent:*:cron:**",
  "agent:*:subagent:**"
]

坑 5：SQLite 数据库损坏

LCM 使用 SQLite 存储（~/.openclaw/lcm.db），异常断电可能导致数据库损坏。

解决： 删除数据库重启，LCM 会自动重建：

rm ~/.openclaw/lcm.db
openclaw gateway restart

注意：历史消息和摘要会丢失，无法恢复。

验证安装成功

# 1. 检查插件加载状态
openclaw plugins inspect lossless-claw
# 预期：Status: loaded

# 2. 检查 context engine slot
openclaw plugins list
# 预期：lossless-claw 在 loaded 列表中

# 3. 运行健康检查
openclaw doctor

# 4. 查看 LCM 数据库状态
ls -la ~/.openclaw/lcm.db
# 预期：文件存在且有内容

已知缺点：上下文膨胀导致回复延迟

lossless-claw-enhanced 的 DAG 摘要系统大幅提升了记忆质量，但在实际使用中发现了一个值得关注的代价。

问题现象

当 LCM 压缩了大量历史消息后，每次模型回复前需要将 LCM 数据库中的消息/摘要重新组装成上下文上下文。这个过程会随着摘要层级和总量的增加而变长，导致回复延迟明显增加。

实测数据（当前会话）：

• Context 使用量：154k / 205k tokens（75%）
• LCM Cache 命中率：0%（几乎无缓存）
• Compaction 次数：0 次（未触发过压缩）

这种情况下，每次回复都有大量时间花销在：

1. LCM 摘要加载：将 DAG 中的消息/摘要解压并组装到 context
2. 上下文处理：154k tokens 的 context 需要模型每次都扫描一遍
3. 模型推理冷启动：等待 MiniMax 模型处理大量 context 的初始化时间

根本原因

LCM 的 DAG 摘要系统设计优先考虑的是记忆完整性而非推理速度。当会话持续较长时间后：

原始消息 → Leaf Summary → Condensed Summary → ...
     ↓            ↓               ↓
   永久存储     永久存储         永久存储

每次回复时，系统需要从 DAG 中选取最相关的节点重建上下文。当摘要层级深、节点多时，context 组装成本显著增加。

缓解方案

当前建议

如果回复延迟成为主要痛点，而超长记忆不是刚需，可以考虑：

{
  "freshTailCount": 16,
  "contextThreshold": 0.70,
  "incrementalMaxDepth": 0
}

这样系统只做 leaf summary，不会自动向上凝聚成深层 DAG，上下文体积可控。

如果需要持续数月的超长记忆，则接受更高的回复延迟，或考虑在 summaryModel 上使用更快的模型（如 MiniMax-M2.7-highspeed 本身）来加速摘要生成。

总结

lossless-claw-enhanced 对中文 AI 对话场景是必需品——原版 Math.ceil(len/4) 的 Token 估算在 CJK 上偏差高达 6 倍，导致 compaction 时机错误、上下文溢出。

DAG 摘要系统的核心价值是无损记忆：消息永久保留，摘要像索引一样指向原始内容，需要时精确展开。它比滑动窗口消耗更多 Token，但换来了真正的长期记忆能力。

安装口诀：

克隆 → npm install → openclaw plugins install -l . → 
配置 slots.contextEngine → openclaw gateway restart → 验证

配上 incrementalMaxDepth: -1 和 CJK 修正的 Token 估算，长达数月的对话也不会丢失关键上下文。