（1261期）context-budgeting – 智能上下文窗口管家

智能上下文窗口管家 OpenClaw官方上下文管理框架，通过智能分区与预压缩检查点技术，解决长会话记忆丢失与token成本问题。 使用说明 核心用法 Context Budgeting Skill 是专为 OpenClaw Agent 设计的上下文窗口管理工具，采用系统化的信息生命周期管理策略。其核心机制包含三大模块： 信息分区框架：将有限的上下文窗口按 10%（核心目标）、40%（短期历史）、20%（决策日志）、20%（背景知识）的比例进行结构化分配，确保关键信息优先保留。 预压缩检查点机制：在触发任何压缩操作前，强制要求更新 memory/hot/HOT_MEMORY.md，记录当前任务状态、关键决策与下一步行动，形成可恢复的记忆锚点。 自动化清理工具：通过 gcandcheckpoint.sh 脚本执行物理清理，配合每 30 分钟的心跳检测（Garbage Collector），在上下文使用率超过 80% 时自动触发保护流程。 显著优点 解决"记忆丢失"顽疾：传统上下文压缩后常导致 Agent 遗忘关键指令，该技能通过强制检查点机制确保核心决策持久化。 成本与延迟双优化：主动管理 token 消耗，避免被动触发的高成本全量压缩，显著降低长时任务的运行开销。 零网络依赖：纯本地文件系统操作，无数据外泄风险，适合敏感场景。 框架化方法论：提供可量化的分区比例（10/40/20/20），将抽象的"提示工程"转化为可执行的操作规范。 潜在缺点与局限性 生态绑定：深度依赖 OpenClaw CLI 工具，无法迁移至其他 LLM 平台或框架。 路径硬编码：脚本使用固定路径 /Users/yang/clawd，跨平台或自定义环境需手动修改。 T3 来源风险：虽代码本身安全，但维护者为个人开发者，长期更新与社区支持存在不确定性。 功能单一性：专注于上下文压缩，不提供对话内容分析、智能摘要生成等增强能力。 适合的目标群体 长时任务开发者：需要 Agent 持续运行数小时以上的自动化工作流场景。 成本敏感型用户：频繁触及上下文上限、token 消耗高企的重度使用者。 OpenClaw 生态深度用户：已建立基于 OpenClaw 的工具链，追求系统稳定性。 隐私优先场景：拒绝任何网络通信、要求数据完全本地化的企业环境。 使用风险 依赖项风险：若 openclaw CLI 未正确安装或版本不兼容，脚本将执行失败。 路径配置风险：硬编码路径可能导致文件读写错误，需预先确认目录结构。 检查点遗漏风险：未严格遵循"先更新 HOT_MEMORY.md 再执行脚本"的流程，可能导致关键信息丢失。 自动化冲突：与 OpenClaw 内置的自动压缩机制可能存在时序竞争，建议明确禁用原生压缩或调整心跳频率。 原始说明 Manage and optimize OpenClaw context window usage via partitioning, pre-compression checkpointing, and information lifecycle management. Use when the session context is near its limit (>80%), when the agent experiences "memory loss" after compaction, or when aiming to reduce token costs and latency for long-running tasks.