通过模型感知优化降低OpenClaw AI成本，提供基于模型上下文窗口的动态压缩预设、智能文件压缩和可靠的模型检测与回退机制，支持Claude、GPT-4、Gemini、DeepSeek等模型

长时间运行大语言模型代理的上下文窗口维护。基于研究（JetBrains/NeurIPS 2025、OpenHands、Letta/MemGPT、LLMLingua），提供在何时以及如何压缩、掩码、切换或委派上下文的决策规则。适用于代理运行时间较长、工具输出累积过多、接近上下文限制或出现压缩/溢出问题的场景，也适用于需要长期管理上下文的代理架构设计。

通过分区、预压缩检查点和信息生命周期管理来优化 OpenClaw 上下文窗口的使用。当会话上下文接近上限（超过80%）、代理在压缩后出现“记忆丢失”或希望降低长任务的令牌成本和延迟时使用。

面向AI代理的结构化自我优化系统，包含置信度衰减、代理间共享和异常检测功能。适用场景：（1）调试结束后记录经验教训，（2）收到用户反馈或修正时，（3）执行高风险操作前核查相关规则，（4）每周审查指标并将有效模式提升为强制规则，（5）建立能抵御会话压缩的持久化内存

当用户要求“压缩上下文”、“总结对话历史”、“实现紧凑化”、“减少token使用”或提及上下文压缩、结构化摘要、按任务优化token使用、长时间运行的智能体会话时，请使用此技能

当用户要求压缩上下文、总结对话历史、实现内容精简、减少令牌使用，或提及上下文压缩、结构化摘要、每任务令牌优化、以及超出上下文限制的长时间运行代理会话时，应使用此技能

AI代理的持久语义记忆层，采用本地优先存储（SQLite + LanceDB）与Ollama嵌入。跨会话存储与召回事实、决策、偏好、事件和关系。支持记忆衰减、去重、五种类型化记忆、七类图关系、代理/用户作用域、语义搜索、上下文感知召回、文本自动抽取（规则/LLM/混合）、导入导出、REST API和MCP协议。解决上下文窗口和压缩遗忘问题。服务运行于localhost:3400，仪表盘位于/dashboard。通过npm安装（engram-memory），需搭配Ollama及nomic-embed-text模型。

自治代理的自管理协议：WAL（预写日志）、VBR（报告前验证）、ADL（抗发散限制）、VFM（性价比）和IKL（基础设施知识日志）。使用场景包括：（1）收到用户修正时——在响应前记录；（2）做出重要决策或分析时——在继续前记录；（3）预压缩内存刷新时——将工作缓冲区刷入WAL；（4）会话启动时——重放未应用的WAL条目以恢复丢失的上下文；（5）任何需要确保内容在压缩后仍保留时；（6）声明任务完成前——进行验证；（7）定期自检——我是否偏离了人设？（8）成本追踪——该高成本操作是否值得？（9）发现基础设施时——立即记录硬件/服务规格。