核心用法
context-compression 是专为 OpenClaw 设计的上下文管理技能，解决大模型会话无限增长导致的窗口溢出崩溃问题。其采用四层分级记忆架构（L1当前会话→L2近期会话→L3每日摘要→L4核心记忆），通过后台定时任务（默认10分钟）自动将超过阈值（默认40k tokens）的会话文件安全截断。
关键流程包括：(1) 预截断事实识别——扫描会话中的关键词（重要/决定/TODO/偏好等），自动提取并分类写入 MEMORY.md；(2) 智能生命周期管理——支持短期(@日期标签)、中期(1-4周自动过期)、长期(永久存储)三级偏好策略；(3) 会话健康守护——跳过活跃会话(.lock文件)、保持JSONL格式完整、生成截断日志。
显著优点
- 零配置开箱即用：交互式引导完成初始化，预设40k/10min合理默认值
- 无损压缩：AI驱动的关键信息识别，避免人工筛选遗漏
- 层级可靠性：L4 MEMORY.md 最高优先级保护，用户核心偏好永不丢失
- 资源友好：纯本地shell脚本实现，零网络依赖，无外部API调用
- 可观测性：完整日志链路，支持
check-context-health.sh实时诊断
局限性与风险
- 环境绑定：专为OpenClaw目录结构(~/.openclaw/)设计，跨平台迁移需适配
- 关键词依赖：事实识别基于规则匹配+可选AI增强，非结构化复杂语义可能漏检
- 存储成本：长期MEMORY.md累积需定期人工归档，无自动上限控制
- 时间敏感精度：中期偏好过期检查为日级粒度，非实时失效
适合人群
高频使用OpenClaw进行长对话的专业用户（开发者、研究员、项目管理者），特别是需要维护跨会话持久上下文的多任务场景。
常规风险
文件操作类低风险技能。潜在问题包括：(1)配置错误导致过度截断（可通过备份机制缓解）；(2)并发写入冲突（脚本已加锁保护）；(3)敏感信息被持久化到MEMORY.md（建议定期审查）。