研究报告：OpenClaw Pluggable Context Engine 研究报告

OpenClaw Pluggable Context Engine 研究报告

研究日期：2026-03-11 研究员：黄山 (wairesearch) 版本：OpenClaw 2026.3.7（发布于 2026-03-07） 数据来源：OpenClaw 官方文档、GitHub Release Notes、lossless-claw 仓库、36kr 量子位解读

---

执行摘要

OpenClaw 2026.3.7 版本引入了 Pluggable Context Engine（可插拔上下文引擎），这是一个允许插件完全接管上下文管理生命周期的插件槽（Plugin Slot）机制。在此之前，OpenClaw 的上下文压缩、组装和会话管理逻辑是硬编码的；现在，第三方插件可以通过注册自定义 Context Engine 来替换整个上下文管线。

核心价值：让”上下文如何管理”从固定实现变为可选择的策略——不同场景可以用不同的上下文引擎。

标杆案例：官方推荐的 lossless-claw 插件实现了 DAG 摘要树 + SQLite 持久化，做到”上下文永不丢失”，在 OOLONG benchmark 上以 74.8 分超过 Claude Code 的 70.3 分。

---

一、Pluggable Context Engine 是什么

1.1 核心概念

Context Engine 是 OpenClaw 插件系统中的一个独占槽位（Exclusive Slot），负责控制：

职责	说明
Ingest（摄入）	新消息进入时如何处理和存储
Assemble（组装）	每轮对话时如何拼装上下文发给模型
Compact（压缩）	上下文超限时如何压缩/总结旧消息
Bootstrap（启动）	引擎初始化时的准备工作
afterTurn（回合后）	每轮对话结束后的清理/持久化
prepareSubagentSpawn	子Agent生成前的上下文准备
onSubagentEnded	子Agent结束后的上下文回收

1.2 与旧系统的关系

┌──────────────────────────────────────────────────────┐
│  OpenClaw 2026.3.7 之前                               │
│  ┌────────────────────────────────────────┐           │
│  │  硬编码的上下文管线                       │           │
│  │  滑动窗口压缩 → 摘要 + 保留最近消息      │           │
│  │  无法自定义，插件无法介入                 │           │
│  └────────────────────────────────────────┘           │
└──────────────────────────────────────────────────────┘

┌──────────────────────────────────────────────────────┐
│  OpenClaw 2026.3.7 之后                               │
│  ┌────────────────────────────────────────┐           │
│  │  Context Engine Plugin Slot             │           │
│  │  ┌──────────┐  ┌──────────────────────┐│           │
│  │  │ "legacy"  │  │ "lossless-claw"      ││           │
│  │  │ (内置默认) │  │ (DAG摘要,永不丢失)   ││           │
│  │  └──────────┘  └──────────────────────┘│           │
│  │  ┌──────────────────────────────────┐  │           │
│  │  │ 任何自定义 Context Engine 插件     │  │           │
│  │  └──────────────────────────────────┘  │           │
│  └────────────────────────────────────────┘           │
└──────────────────────────────────────────────────────┘

零变更保证：不安装任何 Context Engine 插件时，行为与之前完全一致（使用内置 legacy 引擎）。

1.3 配置方式

{
  plugins: {
    slots: {
      contextEngine: "lossless-claw"  // 或 "legacy"（默认）
    }
  }
}

1.4 开发接口

// 插件注册 Context Engine
export default function (api) {
  api.registerContextEngine("my-engine", () => ({
    info: { id: "my-engine", name: "My Engine", ownsCompaction: true },
    
    async bootstrap()   { /* 初始化 */ },
    async ingest()      { /* 消息摄入 */ },
    async assemble({ messages }) { /* 上下文组装 */ 
      return { messages, estimatedTokens: 0 };
    },
    async compact()     { /* 压缩策略 */ },
    async afterTurn()   { /* 回合后处理 */ },
    async prepareSubagentSpawn() { /* 子Agent上下文准备 */ },
    async onSubagentEnded()      { /* 子Agent结束回调 */ },
  }));
}

7 个生命周期钩子覆盖了从消息进入到子Agent结束的完整上下文链路。

---

二、为什么这很重要（价值分析）

2.1 解决的核心痛点

痛点	旧方案的问题	新方案如何解决
长对话遗忘	滑动窗口压缩后丢失细节	插件可实现无损压缩（如 DAG 摘要树）
压缩质量差	固定的压缩策略，一刀切	不同场景选择不同的压缩策略
Agent”变笨”	上下文被压缩后丢失关键计划	插件可保留原始消息，按需展开
无法定制	硬编码逻辑，用户无法干预	完整的插件 API，可完全替换
子Agent上下文隔离	子Agent看不到父Agent的上下文	生命周期钩子控制上下文传递

PR 作者 Josh Lehman 的核心观点：

“You don’t actually need an Agent memory system. What you need is a context that won’t be reset.”

你不需要 Agent 记忆系统，你需要的是一个不会被重置的上下文。

2.2 架构意义

从”硬编码管线”到”可插拔策略” —— 这是 OpenClaw 架构演进的关键一步：

1. 关注点分离：核心运行时不再关心”如何压缩上下文”，只关心”调用哪个引擎”
2. 生态赋能：第三方开发者可以创建专用的上下文引擎，适配不同场景
3. 竞争力提升：上下文管理质量成为可选择的”组件”，而非框架限制
4. 与模型解耦：不同模型可以配合不同的上下文策略

2.3 生态影响

这个机制为 OpenClaw 插件生态打开了最有价值的扩展点之一。上下文管理直接影响：

• Agent 的长期记忆质量
• 多轮对话的连贯性
• 复杂任务的执行成功率
• Token 使用效率和成本

正如网友评论：“比起用哪个模型，上下文才是关键。”

---

三、标杆案例：lossless-claw

3.1 核心原理

lossless-claw 基于 LCM（Lossless Context Management）论文，用 DAG（有向无环图）摘要树 替代传统的滑动窗口压缩：

传统方式：                          lossless-claw：
                                    
消息1 ──┐                          消息1 ──┐
消息2 ──┤                          消息2 ──┼── 叶节点摘要A ──┐
消息3 ──┤→ 压缩摘要（丢失细节）     消息3 ──┘                ├── 高层摘要X
消息4 ──┤                          消息4 ──┐                │
消息5 ──┘                          消息5 ──┼── 叶节点摘要B ──┘
                                   消息6 ──┘
消息6 ── 保留                       消息7 ── 保留（最近N条）
消息7 ── 保留                       消息8 ── 保留

关键差异：

• ❌ 传统方式：压缩后原始消息被丢弃
• ✅ lossless-claw：原始消息持久化在 SQLite 中，摘要层层聚合成 DAG

3.2 工作流程

1. 新消息到达
   ↓
2. 消息存入 SQLite 数据库（按会话组织）
   ↓
3. 上下文接近阈值（默认 75% 窗口）
   ↓
4. 将旧消息块生成叶节点摘要
   ↓
5. 叶节点摘要达到一定数量 → 聚合为高层摘要
   ↓
6. 上下文组装：高层摘要 + 叶节点摘要 + 最近 N 条原始消息
   ↓
7. Agent 需要细节？→ 用工具展开摘要查看原始消息

3.3 提供的 Agent 工具

工具	功能	用途
lcm_grep	搜索历史消息	精确查找之前提到的内容
lcm_describe	描述上下文结构	了解 DAG 摘要树的组织方式
lcm_expand	展开摘要	从摘要追溯到原始消息
lcm_expand_query	查询式展开	主 Agent 按需查看被压缩的历史

3.4 性能表现

OOLONG Benchmark（长上下文编程任务）：

方案	分数
lossless-claw	74.8
Claude Code	70.3

上下文越长，差距越大。在所有测试的上下文长度下，lossless-claw 的分数都高于 Claude Code。

3.5 配置参数

参数	默认值	说明
freshTailCount	32	保护的最近消息数量
contextThreshold	0.75	触发压缩的上下文窗口占比
incrementalMaxDepth	0	增量压缩深度（-1=无限）
leafMinFanout	8	叶节点最少消息数
leafChunkTokens	20000	叶节点最大源 token 数
leafTargetTokens	1200	叶节点摘要目标 token 数
condensedTargetTokens	2000	聚合摘要目标 token 数

---

四、使用场景分析

4.1 场景一：长期编程助手

问题：Agent 在长时间编程任务中逐渐忘记之前的修改和计划 方案：使用 lossless-claw，所有代码修改历史保留在 DAG 中 效果：Agent 可以随时回忆”之前改了哪些文件”、”原来的计划是什么”

4.2 场景二：多轮研究对话

问题：研究类对话在压缩后丢失关键发现和引用来源 方案：Context Engine 保留完整研究历史，Agent 可以用 lcm_grep 搜索 效果：即使对话很长，也能精确找到之前的研究发现

4.3 场景三：项目管理 Agent

问题：项目管理 Agent 需要记住所有任务状态、决策和交办事项 方案：DAG 摘要树按主题聚合，高层摘要保持全局视野 效果：Agent 在项目全周期保持一致的上下文认知

4.4 场景四：客服 Agent

问题：客服对话需要快速回溯历史问题和解决方案 方案：可以开发专门的客服 Context Engine，按工单/问题类型组织 效果：比通用压缩更高效地利用上下文窗口

4.5 场景五：自定义领域 Agent

问题：特定领域（医疗/法律/金融）需要特殊的上下文保留策略 方案：开发领域专用 Context Engine，优先保留关键术语和事实 效果：在有限的上下文窗口中最大化领域相关信息的密度

---

五、与上一篇报告的关联

在 OpenClaw 多Agent记忆系统与上下文共享 报告中，我们分析了 OpenClaw 的记忆架构。Pluggable Context Engine 是对该架构的重大增强：

维度	之前（Memory + Compaction）	现在（+ Context Engine）
记忆持久化	Markdown 文件（memory/）	不变，仍然是 Markdown
上下文压缩	固定的滑动窗口	可插拔策略
信息保留	压缩后丢失细节	可做到无损保留
子Agent上下文	仅注入 AGENTS.md + TOOLS.md	生命周期钩子控制
定制能力	仅 memoryFlush 可配置	完整 7 个生命周期钩子

互补关系：

• Memory 系统（MEMORY.md + memory/）：跨会话的持久记忆
• Context Engine：会话内的上下文管理策略

两者不冲突，而是覆盖不同的记忆层级。

---

六、总结

关键价值

1. “不再遗忘” — 从根本上解决长对话上下文丢失问题
2. 策略可选 — 不同场景用不同引擎，而非一刀切
3. 生态赋能 — 第三方开发者可以创建专用的上下文策略
4. 零侵入 — 不安装插件时行为完全不变
5. 子Agent 覆盖 — 生命周期钩子延伸到子Agent

行业意义

这标志着 Agent 框架从”提供一种上下文管理方案”到”提供上下文管理的可扩展平台”的转变。正如容器编排不再绑定特定的网络方案（CNI 可插拔），AI Agent 的上下文管理也走向了可插拔化。

上下文管理是 Agent 质量的最后一公里。 Pluggable Context Engine 让这一公里从”框架决定”变为”用户选择”。

---

参考来源

1. OpenClaw v2026.3.7 Release Notes — 官方 Changelog
2. PR #22201 — Context Engine Plugin 核心 PR
3. lossless-claw GitHub 仓库 — 标杆插件实现
4. LCM 论文 — Lossless Context Management 理论基础
5. OOLONG Benchmark 可视化 — lossless-claw 性能演示
6. /usr/lib/node_modules/openclaw/docs/tools/plugin.md — OpenClaw 插件系统文档
7. /usr/lib/node_modules/openclaw/docs/concepts/context.md — 上下文概念文档
8. /usr/lib/node_modules/openclaw/docs/plugins/manifest.md — 插件清单规范
9. 量子位解读文章 — 36kr 量子位对此次更新的分析