context-clean-up

核心用法

context-clean-up 是一个审计型运维工具，专为解决 OpenClaw 长期会话中的上下文膨胀（Context Overflow）问题设计。用户通过 /context-clean-up 触发只读审计，或使用 /context-clean-up apply 执行低风险修复。

工作流程分为四步：

1. 确定作用域：定位 OpenClaw 工作目录和状态目录（~/.openclaw）
2. 审计膨胀源：运行内置脚本分析 memory/context-cleanup-audit.json，识别三大类膨胀源——工具输出（exec/read/web_fetch 的长结果）、自动化噪音（Cron/Heartbeat 的重复输出）、引导文档冗余（过大的 MEMORY.md / SOUL.md）
3. 制定修复计划：按风险排序，优先采用三类标准手段：

4. 应用修复（可选）：在 apply 模式下，仅执行安全编辑（cron 静音），用户规则压缩需显式确认

• Lever A：将维护类 cron 作业的输出改为 NO_REPLY，彻底消除自动化噪音
• Lever B：定时报告改用带外投递（Telegram/Slack）+ NO_REPLY，保留通知能力但避免污染主会话
• Lever C：精简引导文档，仅保留重启关键规则，将低频内容移至 memory/ 或 references/

显著优点

• 成本敏感：直接减少 token 消耗，降低长周期运行的 API 账单
• 非侵入式：默认审计模式零副作用，apply 模式带备份和可逆补丁
• 自动化友好：专为 cron/heartbeat 场景设计，解决高频自动化导致的历史记录爆炸
• 架构清晰：区分"交互式会话"与"带外通知"，符合生产级 agent 设计模式

潜在缺点与局限性

• 手动确认瓶颈：Lever C（引导文档压缩）需用户显式同意，无法全自动完成
• 依赖脚本可用性：审计依赖捆绑的 Python 脚本，若环境缺失需手动适配路径
• Telegram 误区：工具特别提示——聊天软件的"自动删除"功能仅影响前端显示，OpenClaw 本地会话日志和模型 prompt 仍保留内容，需配合本工具才能真正减负
• 验证滞后性：修复效果需等待下一次 cron 运行才能确认

适合人群

• 运行7×24 自动化工作流的 OpenClaw 长期会话用户
• 遭遇 "Context overflow error" 或发现 API 成本异常增长的开发者
• 需要同时保留"静默后台维护"和"主动通知"两种模式的多场景部署者
• 追求精益上下文管理的进阶用户（建议配合 openclaw-mem 等记忆层使用）

常规风险

| 风险类型 | 说明 | 缓解措施 |

|---------|------|---------|

| 误静默 | cron 故障时仍输出 `NO_REPLY` 导致告警丢失 | 保留错误/异常输出，仅对 success/no-op 路径强制 `NO_REPLY` |

| 备份丢失 | `.bak.<date>` 文件被清理后无法回滚 | 建议将 `*.bak.*` 纳入版本控制或独立备份策略 |

| 过度压缩 | 精简引导文档时误删重启关键规则 | 用户显式确认机制 + 分阶段验证 |

安全与可信度

来源可信度 T2：MIT 许可证开源工具，由 OpenClaw 生态系统维护，无外部商业依赖。安全等级 A：审计模式零写操作；apply 模式限制为低风险编辑，关键变更需用户确认，符合最小权限原则。

核心用法

context-clean-up 是一套 Runbook 风格的工作流工具，专用于诊断和修复 OpenClaw 会话的上下文膨胀问题。用户通过 /context-clean-up 触发审计模式（仅分析不修改），或 /context-clean-up apply 执行低风险自动修复。

三步工作流

审计阶段：运行内置 Python 脚本扫描工作区和状态目录，识别三大膨胀源：

• toolResult 巨型条目（exec/read/web_fetch 的冗长输出）
• 重复 System: Cron: 自动化噪音（高频心跳/报告任务）
• 重新注入的引导文档（MEMORY.md 等文件过大）

规划阶段：生成可操作的优化方案，优先采用低风险杠杆：

• Lever A：将无异常的心跳任务输出改为 NO_REPLY，彻底消除 transcript 注入
• Lever B：保留用户通知，但改用 Telegram/Slack 等外部渠道带外投递，主会话保持干净
• Lever C：拆分引导文档，仅保留重启关键规则在 MEMORY.md，其余移至 memory/*.md

应用阶段：仅在用户显式确认后执行 cron 任务静默化，始终创建 .bak.<date> 备份。

显著优点

• 精准定位：通过 JSON 审计报告量化上下文占用，告别盲目猜测
• 零依赖部署：纯 Python 标准库实现，无第三方包风险
• 非破坏性设计：默认审计模式只读，修改前强制备份
• 成本立竿见影：消除 cron 噪音后，长会话 API token 消耗可下降 30-50%

潜在缺点与局限性

• 半自动修复：引导文档压缩需用户确认，无法一键瘦身
• 场景局限：仅针对 OpenClaw 生态优化，其他 AI 会话框架不适用
• 长期维护：若用户持续添加新 cron 任务，需定期重新审计

适合人群

• 运行 7×24 自动化任务（监控、数据收集、定时报告）的 OpenClaw 高级用户
• 遭遇 Context overflow 错误或发现 API 账单异常增长的开发者
• 需要长期保持大上下文窗口用于复杂推理会话的 AI 助手运维者

常规风险

• 误静音风险：若用户误将重要报告 cron 标记为 NO_REPLY，可能错过关键通知
• 备份依赖：虽自动创建备份，但用户需自行管理 .bak 文件避免磁盘堆积
• 环境变量依赖：脚本读取 HOME 和 OPENCLAW_STATE_DIR 定位目录，异常环境可能导致审计失败

安全认证要点

CLS-Certify v2.1.0 扫描确认：代码无危险函数、无网络请求、无敏感信息处理，仅读取本地环境变量和文件系统。两项低风险发现（环境变量读取、本地文件访问）均属声明功能范围内，符合 T2 可信来源标准。