Lossless-Claw 插件实战：告别上下文截断，让 OpenClaw 永不遗忘

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

🧠 当前社区最受关注的 OpenClaw 插件 —— 基于 LCM 论文的 DAG 摘要系统，在 OOLONG 基准测试中得分 74.8，远超 Claude Code 的 70.3。本文完整实操：从安装到参数调优

为什么需要 Lossless-Claw：OpenClaw 内置压缩的致命问题
LCM 核心原理：DAG 摘要系统 30 秒速懂
OOLONG 基准测试：74.8 vs 70.3 的真实含义
安装 Lossless-Claw：三步搞定
核心参数详解：freshTailCount、contextThreshold、incrementalMaxDepth
Agent 工具三件套：lcm_grep、lcm_describe、lcm_expand
完整工作流演示：从对话到压缩到回忆
参数调优实战：不同场景的最优配置
Lossless-Claw vs 内置 Compaction：深度对比
高级话题：DAG 完整性检查与修复

如果你读过本系列的 Context Compaction 避坑实战, 你已经知道 OpenClaw 内置的上下文压缩机制存在一个根本性缺陷：它是有损的（lossy）。

想象一下永远不需要再运行或。OpenClaw 的内置 compaction 在上下文窗口填满时做一次性的摘要压缩。它作为安全网可以用，但它是有损的。

具体来说，内置压缩会：

把数十轮对话一股脑压成一段几百 Token 的摘要
不保留原始消息——压缩后细节永远丢失
不重新注入 session 开始时加载的项目上下文文件
导致 Agent 行为退化：跳过验证步骤、忽略安全规则

当 LCM 论文的作者告知 Josh Lehman 他们的工作时，Josh 立刻认为这会是 OpenClaw 的一个极棒的补充。他花了 9 天时间疯狂开发，在自己的 Agent 上运行了一周，结果令人印象深刻：“对话感觉永远不会丢失信息（因为某种程度上确实不会），始终在 30-100K Token 范围内运行，零维护。”

2.1 一句话定义

Lossless Context Management (LCM) 插件，基于同名论文。它用 DAG（有向无环图）结构的摘要系统替代 OpenClaw 内置的滑动窗口压缩机制，在保留每条消息的同时将活跃上下文控制在模型 Token 限制之内。

2.2 LCM 的五个关键操作

当对话超过模型的上下文窗口时，OpenClaw（和所有其他 Agent 一样）通常会截断旧消息。LCM 则不同——它将每条消息持久化到 SQLite 数据库，按对话组织；将旧消息分块摘要；随着摘要积累，进一步浓缩为更高层级节点，形成 DAG；每轮通过组合摘要 + 近期原始消息来组装上下文；并提供、、等工具，让 Agent 可以搜索和回忆已压缩历史中的细节。

2.3 架构图

GPT plus 代充 只需 145

2.4 关键创新：摘要链接回源消息

LCM 提供工具（、、）让 Agent 可以搜索和回忆已压缩历史中的细节。没有任何东西丢失——原始消息留在数据库中，摘要链接回它们的源消息。

这就是”Lossless（无损）”的含义——不是说上下文窗口无限大，而是说：

原始数据永远不删（存在 SQLite 中）
摘要保留溯源指针（可以随时展开查看原文）
Agent 拥有工具主动回忆（不是被动等待，而是主动搜索历史）

3.1 OOLONG 是什么

OOLONG 是一个长上下文推理基准测试，要求在原子级别分析文本块，然后聚合这些分析来回答分布性问题。它分为两部分：Oolong-synth（合成的自然任务）和 Oolong-real（真实世界对话数据的推理任务）。

简单说：OOLONG 测的不是”能不能在长文本中找到一根针”（那是 NIAH），而是”能不能理解和推理整段长文本的全局信息”。这对 Agent 的上下文管理能力是终极考验。

3.2 分数对比

在 OOLONG 基准测试中，lossless-claw 得分 74.8，而 Claude Code 得分 70.3，使用的是相同模型。更重要的是，上下文越长差距越大——在所有测试的上下文长度上，lossless-claw 的得分都高于 Claude Code。

系统 OOLONG 得分上下文管理策略