核心用法
compaction-ui 是一个面向 OpenClaw 控制面板的 UI 增强技能，为 AI 会话管理引入手动上下文压缩机制。核心交互是一个环形进度指示器（Context Gauge），实时显示当前会话的 token 占用率（已用/可用），并通过颜色编码（绿/黄/红）提示压缩时机。用户点击按钮后触发 LLM 驱动的智能压缩流程，将冗长对话历史摘要为紧凑的上下文表示。
主要功能模块
1. 上下文用量仪表盘：基于 SVG 的环形进度条，整合在聊天工具栏，支持 20% 以下禁用、85% 以上红色告警等智能状态管理
2. LLM 压缩引擎：替换原有的行截断逻辑，调用 compactEmbeddedPiSession() 进行语义级摘要，耗时 10-30 秒
3. 模态进度反馈：五阶段动画（准备→读取→摘要→压缩→完成），带 token 前后对比报告
4. 历史过滤器：自动隐藏 NO_REPLY/HEARTBEAT_OK 系统消息，在压缩点插入可视化分隔线
5. JSONL 标记支持：压缩事件写入会话日志，便于后续审计与调试
显著优点
- 精准用量感知：实时 token 可视化解决 LLM 应用的"黑盒"上下文问题，用户可主动管理而非被动触发截断
- 语义级压缩：相比传统滑动窗口截断，LLM 摘要保留关键信息密度，显著降低信息损失
- 渐进式交互：五阶段动画缓解 10-30 秒等待焦虑，完成后的 2 秒停留+自动刷新确保确认感
- 系统消息降噪：
NO_REPLY/HEARTBEAT_OK过滤清理界面，提升长会话可读性 - 架构侵入性低：纯前端补丁+RPC 扩展，不修改核心 agent 循环逻辑
潜在缺点与局限性
- 压缩期间阻塞：
Abort any active agent run的设计意味着压缩时会中断正在进行的推理，不适合实时协作场景 - LLM 成本与延迟：每次压缩消耗额外 token 且耗时显著，高频压缩可能抵消节省的上下文成本
- 单点依赖：压缩质量完全取决于配置模型的摘要能力，无降级到截断模式的兜底机制
- 浏览器兼容性：
backdrop-filter: blur(3px)在旧版浏览器（如 IE11）无优雅降级说明 - 手动触发局限：无自动压缩阈值触发，高负载场景需用户主动关注仪表盘
适合人群
- 长会话重度用户：客服、编程辅助、深度研究等单会话超 50 轮交互场景
- 多会话管理需求：OpenClaw 网关管理员需监控多个会话的 token 健康度
- 自托管 OpenClaw 实例：有源码访问权限可应用补丁的技术团队
- 对上下文质量敏感者：愿意用压缩延迟换取信息保留优先于简单截断
常规风险
| 风险类型 | 具体描述 | 缓解建议 |
|---------|---------|---------|
| 压缩中断风险 | 网络波动或 LLM 故障导致压缩失败，可能残留不一致状态 | 依赖会话存储的 `compactionCount` 计数器追踪，建议增加幂等重试机制 |
| token 计数漂移 | `totalTokens`/`contextTokens` 来自会话存储，与真实 LLM 编码可能存在偏差 | 预留 5-10% 安全缓冲，避免 100% 临界触发 |
| 隐私摘要泄露 | 敏感对话经 LLM 二次处理，可能违反数据驻留政策 | 配置本地/私有模型执行压缩，避免第三方 API |
| UI 竞态条件 | 压缩完成 2 秒后刷新，若用户在此期间发送消息可能导致状态错乱 | 添加输入禁用遮罩或强制刷新前锁定交互 |
本技能为 OpenClaw 生态提供了生产级的上下文管理 UI 范式，但需运维方评估 LLM 成本与可用性约束后启用。