核心用途
context-clean-up 是一个审计型运行手册(runbook)，专门诊断 OpenClaw 对话上下文的膨胀原因，输出可操作的清理计划。关键特性是仅审计、不自动执行，所有变更需用户显式批准。
工作流程
1. 范围界定：识别工作目录与 OpenClaw 运行时状态目录
2. 运行审计脚本：context_cleanup_audit.py 生成 JSON 报告，定位三类膨胀源：
3. 制定修复计划：按风险升序排列，使用三大杠杆：
4. 验证效果：观察后续 cron/heartbeat 是否静默，上下文增长率是否趋平
- 巨型
toolResult条目（exec/read/web_fetch 等工具输出） - 大量
System:/Cron:自动化日志 - 重复注入的引导文档（AGENTS/MEMORY/SOUL/USER）
- Lever A：无异常时强制输出
NO_REPLY，消除静默循环的转录膨胀 - Lever B：告警走外发通道（Telegram/Slack），避免写入会话上下文
- Lever C：精简
MEMORY.md，将大段内容移至references/或memory/
显著优点
- 零风险设计：audit-only 模式杜绝误删；变更前提供精确补丁+回滚方案
- 结构化诊断：JSON 报告量化膨胀来源，避免盲目优化
- 可逆操作：所有建议遵循标准杠杆，易于撤销
- 性能导向：直接解决 Token 消耗和响应延迟问题
潜在局限
- 需手动执行：不会自动清理，对期望"一键瘦身"的用户不够便捷
- 依赖 Python 环境：目标系统需预装
python3 - 有限覆盖范围：仅处理上下文膨胀，不优化模型选择或推理效率
- 外发通道配置成本：Lever B 需额外设置 Telegram/Slack 等通知渠道
适合人群
- OpenClaw 长期会话用户，遇到上下文窗口不足或响应变慢
- 频繁使用自动化（cron/heartbeat）的团队，需控制转录噪声
- 注重操作安全的运维人员，拒绝自动变更的不可逆风险
常规风险
- 误判膨胀优先级：JSON 报告需人工解读，可能遗漏业务关键的工具输出
- 过度静默：Lever A 的
NO_REPLY若配置不当，可能掩盖真实异常信号 - 外发依赖故障：Lever B 的通知渠道失效时，关键告警可能丢失
---
> 来源：OpenClaw 官方技能仓库 | MIT 协议 | 审计型工具，无自动变更权限