（231期）context-compactor – 本地模型上下文智能压缩专家

本地模型上下文智能压缩专家 OpenClaw 官方生态插件，通过客户端 Token 估算为本地 LLM 提供智能上下文压缩，防止长对话截断与内容丢失，保障流畅的 AI 交互体验。 使用说明 Context Compactor 是专为 OpenClaw 设计的上下文管理插件，旨在解决本地大语言模型（如 Ollama、llama.cpp、MLX）因不报告 Token 限制而导致的上下文截断、内容丢失等问题。与云 API 不同，本地模型往往会在超出上下文窗口时静默截断或返回乱码，而该插件通过客户端 Token 估算机制，在达到模型限制前主动对历史消息进行智能压缩，确保长对话的连贯性。 使用上，用户可通过 npx jasper-context-compactor setup 一键安装，插件会自动配置到 OpenClaw 的插件目录。核心配置包括 maxTokens（触发压缩的阈值）、keepRecentTokens（保留的近期消息 Token 数）和 charsPerToken（字符与 Token 比例，默认 4）。安装后，系统会在每次消息到达时自动估算上下文长度，当超过阈值时，将旧消息总结为摘要并与近期消息合并，形成新的上下文。用户还可通过 /compact-now 强制刷新压缩，或使用 /context-stats 查看当前 Token 使用状况。 该插件的显著优点在于其预防性设计：不同于依赖模型报错的后处理方案，它能在问题发生前主动干预，特别适合本地模型用户。此外，它支持灵活调参，可适配从 4K 到 32K 不同规模的上下文窗口，且提供缓存机制避免重复总结。然而，其局限性也值得注意：压缩后的摘要不会持久化保存（仅会话级），且基于字符数的 Token 估算（尤其是 CJK 语言）可能存在偏差，需要用户根据实际模型调整 charsPerToken 参数。 适合使用该技能的目标群体主要包括：使用 Ollama、LM Studio、MLX 等本地推理框架的开发者；需要处理长文档或多轮复杂对话的 AI 应用用户；以及对数据隐私敏感、希望完全本地运行而不依赖云 API 的人群。对于仅使用 Anthropic、OpenAI 等云 API 的用户，由于这些服务会明确报告上下文溢出错误，OpenClaw 内置的压缩机制已足够，无需额外安装此插件。 常规风险方面，该插件会修改用户的 OpenClaw 配置文件（~/.openclaw/openclaw.json）并在用户主目录创建备份和插件文件。虽然插件具备自动备份和交互式确认机制，但用户仍需注意配置文件的正确性，避免因配置错误导致 OpenClaw 启动失败。此外，过度激进的压缩参数（如过小的 keepRecentTokens）可能导致关键上下文信息丢失，影响对话质量。建议用户通过 /context-stats 监控使用情况，并根据模型实际表现逐步调优参数。 原始说明 Token-based context compaction for local models (MLX, llama.cpp, Ollama) that don't report context limits.