1. 为什么我的 OpenClaw 会话总在“快满”时才压缩
如果你正在用 OpenClaw 跑长对话、做 research、或者挂一堆浏览器和 shell 工具，大概率会遇到这个场景：前面几十轮聊得好好的，突然某一轮开始，模型像失忆了一样，把之前确认过的细节全丢了。你翻日志才发现，auto-compaction 刚刚触发，历史被压成了一段摘要。
问题不在于“压缩”这件事本身，而在于压缩的时机。默认配置下，OpenClaw 会尽量保留原始上下文，直到上下文占用逼近模型窗口上限才动手。对短问答无所谓，但对长链任务，这个“濒临上限才救火”的策略会让你在关键时刻丢掉细节。
这里的关键配置就是reserveTokensFloor。很多人第一次看到它，会以为它是“压缩触发百分比”，于是想改成 75% 甚至 50%。但实际跑下来会发现，改完之后压缩行为跟预期对不上。原因在于：OpenClaw 的 auto-compaction 不是按百分比触发的，而是按 headroom（预留空间）触发的。
这篇文章就围绕reserveTokensFloor、reserveTokens、contextWindow三者的取值关系，把触发边界讲清楚，并给出可复制的配置片段和日志验证动作。适合已经在用 OpenClaw、想定位“压缩时机异常”的开发者。如果你还没接上模型通道，后面也会给出用 TaoToken 统一 Key/API 通道的接入方式，方便你直接复现验证。
核心检索词先摆出来：OpenClaw、reserveTokensFloor、auto-compaction、contextWindow、reserveTokens。搞懂这五个词的关系，压缩时机就不再是黑盒。
2. reserveTokensFloor 与 auto-compaction 的联动机制
先把结论放前面，方便你对照自己的配置：
- auto-compaction 不按固定轮数触发，也不按固定时间触发。
- 它核心判断的是：
contextTokens > contextWindow - reserveTokens。 reserveTokensFloor不是压缩百分比，而是给reserveTokens设的最小下限。- 128k 窗口下，默认 floor 20000 大致对应 84% 附近才开始进入压缩压力区。
- 想让压缩提前到 75% 左右，128k 窗口可以把 floor 设成 32000。
2.1 auto-compaction 的两种触发路径
在 Pi runtime 下，auto-compaction 主要有两条触发路径。
第一条是overflow recovery。当模型已经返回 context overflow 错误时，系统会先 compact，再 retry。这是“撞线之后的补救”，属于被动触发。
第二条是threshold maintenance，也是更常见的一种。在一次 successful turn 之后，运行时发现上下文已经很重，于是提前触发压缩，避免下一轮请求直接撞上限。它的判断公式就是：
contextTokens > contextWindow - reserveTokens三个变量分别是：
| 变量 | 含义 |
|---|---|
| contextTokens | 当前会话已经占掉的上下文 token |
| contextWindow | 模型总窗口 |
| reserveTokens | 给后续 prompt、system、tool 调用结果以及下一次模型输出预留的 headroom |
所以本质上不是“上下文用了多少百分比”，而是：在当前上下文基础上，系统还要不要为下一轮保留足够的生存空间。这比单纯百分比更工程化，也更贴近真实运行条件。
2.2 reserveTokensFloor 到底改的是什么
这是最容易误解的地方。reserveTokensFloor不是“compact 触发阈值”，它更准确的含义是：给 Pi runtime 的 reserveTokens 设一个保底值。
也就是说，真正参与公式的是reserveTokens，而 OpenClaw 会确保它不低于reserveTokensFloor。它更像一个 safety floor，而不是 direct threshold。文档里默认 floor 是 20000 tokens。这意味着，如果运行时本来给的 reserveTokens 更低，OpenClaw 会把它抬到至少 20000；如果本来更高，就不会压低。
2.3 为什么不能直接理解成“75%”
因为 compaction 逻辑不是这样写的：
if usage > 75% then compact if contextTokens > contextWindow - reserveTokens then compact所以当你说“我想在 75% 左右触发”，你实际上是在表达：我希望预留大约 25% 的窗口当 headroom。如果模型窗口是 128k，换算关系大致如下：
| 目标触发点 | 对应预留 headroom | 约等于 reserveTokens |
|---|---|---|
| 50% | 50% | 64000 |
| 60% | 40% | 51200 |
| 70% | 30% | 38400 |
| 75% | 25% | 32000 |
| 80% | 20% | 25600 |
| 85% | 15% | 19200 |
换句话说：想更早压缩就提高 reserveTokens，想更晚压缩就降低 reserveTokens，而不是去找一个“百分比字段”。
2.4 默认 20000 在 128k 窗口下意味着什么
如果窗口是 128000，而reserveTokensFloor = 20000，可以做一个直观估算：
128000 - 20000 = 108000 108000 / 128000 ≈ 84.4%所以默认配置本质上更接近：“先尽量保留原始上下文，快到 84% 以后再积极压缩。”这对普通对话、短任务、轻量工具调用是合理的。但如果你的 session 是长对话连续 research、大段网页或文件内容注入、浏览器工具和 tool result 很多，默认 20000 就可能显得偏晚。
2.5 为什么 75% 常常比 50% 更合理
很多人第一反应是“干脆提早到 50% 最稳”。但实际会带来两个副作用。
一是 compaction 会变得过于频繁。把 reserveTokens 拉到 64k，相当于一半窗口刚用掉就开始压缩，会话更早被 summary 化，原始对话细节保留时间缩短，长任务中的上下文连续性可能下降。
二是会影响长链任务体验。对于写长文、多轮研究总结、一边查资料一边沉淀、带工具的复杂分析，过早 compact 往往不是“更安全”，而是“更快丢细节”。
从实战经验看：50% 通常过于激进，75% 更平衡，80%–85% 更接近默认保守策略。这也是为什么更推荐先把 floor 调到 32000，而不是直接冲到 64000。
3. 可复制的 OpenClaw 配置片段
这一节给出可以直接落地的配置。先说明接入通道：如果你还没配好模型通道，可以用 TaoToken 的统一 Key/API 通道，把 Base URL 指向https://taotoken.net/api，Key 在控制台生成，模型 ID 按你实际使用的填。这样 OpenClaw 侧只需要维护一套通道配置，方便你专注验证 compaction 行为。
3.1 把 128k session 调到约 75% 提前保护
如果你当前模型窗口是 128k，希望在大约 75% 左右就开始更积极地进入 compaction 保护区，可以在 OpenClaw 配置里这样写：
{ "agents": { "defaults": { "compaction": { "mode": "safeguard", "reserveTokensFloor": 32000 } } } }这个配置的含义是：继续用 safeguard 模式处理较长历史，把 compaction 的安全预留空间抬到 32000，对于 128k 窗口，相当于更接近 75% 附近开始紧张。注意，这依然不是严格的“75% 固定阈值”，而是更接近 75% 的 headroom 策略。
3.2 更保守的方案
如果你的工作流是非常频繁的 research 或 multi-tool，非常在意上下文安全边际，可以再往上抬一点：
{ "agents": { "defaults": { "compaction": { "mode": "safeguard", "reserveTokensFloor": 38400 } } } }38400 对应 128k 窗口下约 30% 的 headroom，触发点大致在 70% 附近。
3.3 不建议直接上 64000
{ "agents": { "defaults": { "compaction": { "mode": "safeguard", "reserveTokensFloor": 64000 } } } }这大致相当于 50% 附近就开始压缩，通常过于激进。除非你的 session 明确只需要短上下文，否则不建议一上来就用。
3.4 别忘了 memoryFlush 和 contextPruning
reserveTokensFloor之外，还有两个相关配置值得一起看。
memoryFlush.softThresholdTokens的作用不是触发 compaction，而是在 auto-compaction 之前，先运行一个静默的 memory flush turn，把值得长期保存的信息落盘。这个设计承认了一件事：compaction 不是无损的，所以在 compact 前最好先把 durable memory 存下来。
{ "agents": { "defaults": { "memoryFlush": { "softThresholdTokens": 24000 } } } }contextPruning则主要做的是先从内存上下文里裁旧的 tool results，但不会修改磁盘上的 session history。可以粗略理解为：compaction 把历史压成摘要，属于 session-level 变化；contextPruning 裁工具输出，属于 in-memory payload 优化。如果你的上下文膨胀主要来自超长 tool result，先看 pruning 也很值。
3.5 三件套对照表
无论你用哪种通道，OpenClaw 侧接入都需要对齐三件套：
| 配置项 | 值 |
|---|---|
| Base URL | https://taotoken.net/api |
| API Key | 在控制台生成，形如 sk-xxxx |
| Model ID | 按你实际使用的模型填写 |
把这三项填进 OpenClaw 的 provider 配置后，再叠加前面的 compaction 配置，就能复现本文的验证流程。
4. 验证请求与日志确认压缩时机
配好之后，最关键的一步是验证压缩到底在什么位置触发。光看配置不够，要看日志里的实际数值。
4.1 打开日志并观察关键字段
先确保 OpenClaw 的日志级别能看到 compaction 相关事件。跑一个长对话 session，持续注入内容，观察日志里是否出现类似字段：
contextTokens=... contextWindow=... reserveTokens=... compaction triggered重点看contextTokens和contextWindow - reserveTokens的大小关系。当contextTokens首次超过后者时，threshold maintenance 就应该触发。
4.2 用一个可复现的注入脚本
为了快速逼近阈值，可以写一个简单的循环，往 session 里持续塞文本，观察触发点：
for i in $(seq 1 200); do echo "turn $i: 这是一段用于推高 contextTokens 的测试内容，重复填充以逼近压缩阈值。" done把这段内容分批喂给 OpenClaw 的 session，同时盯日志。你会看到contextTokens逐步上升，直到某一轮之后出现 compaction 事件。
4.3 对照预期触发点
以 128k 窗口、floor 32000 为例，预期触发点大约在：
128000 - 32000 = 96000 96000 / 128000 = 75%如果你在日志里看到contextTokens在 96000 附近首次触发 compaction，说明配置生效。如果明显偏离，比如 108000 才触发，那说明reserveTokensFloor没有真正抬上去，需要检查配置层级是否写对。
4.4 用模型对话快速验证通道
在正式跑长 session 之前，建议先用模型对话确认通道本身是通的。打开模型对话页面发一条测试请求，确认返回正常，再进入 OpenClaw 的长上下文验证。这样能把“通道问题”和“compaction 配置问题”分开排查。
5. 压缩时机异常的常见报错与排查
这一节对照真实会遇到的报错，逐条排查。
5.1 401 Unauthorized
如果日志里出现 401，说明 Key 没被正确识别。检查三件套里的 API Key 是否填对，是否有多余空格，是否用了已失效的 Key。用 TaoToken 的话，去控制台重新生成一个 Key，替换后重试。
5.2 local proxy failed
出现local proxy failed通常说明本地转发层没起来，或者 Base URL 指向了一个不可达的地址。确认 Base URL 是https://taotoken.net/api，不要多加路径后缀。如果你本地有转发脚本，确认它监听正常。
5.3 reading choices 相关报错
如果报错里出现reading choices之类的字段解析失败，多半是响应格式和客户端预期不一致。先确认 Model ID 填的是通道支持的模型，再确认请求体没有多余字段。用模型对话单独发一条最小请求，能快速判断是通道问题还是 OpenClaw 配置问题。
5.4 OAuth 相关报错
部分客户端走 OAuth 流程时会报错。如果你用的是 API Key 模式，确认没有混入 OAuth 配置。把认证方式统一成 Key，避免两套机制互相干扰。
5.5 配置写了但压缩点没变
这是最常见的一类。排查顺序：
第一，确认reserveTokensFloor写在正确的层级。不同版本的 OpenClaw 配置结构可能不同，agents.defaults.compaction是常见路径，但要以你实际版本的文档为准。
第二，确认没有别的地方覆盖了reserveTokens。如果运行时显式传了一个更大的 reserveTokens，floor 就不会起作用。
第三，确认模型窗口contextWindow填对了。如果你以为窗口是 128k，实际配的是 64k，那触发点会完全对不上。
第四，看日志里reserveTokens的实际值。如果它没有等于你设的 floor，说明配置没生效。
5.6 压缩太频繁导致丢细节
如果你把 floor 设得过高，比如 64000，会发现压缩过于频繁，长任务里细节丢失严重。这时候把 floor 降回 32000 或 38400，观察几轮，找到适合你工作流密度的平衡点。
5.7 工具输出撑爆上下文
如果上下文膨胀主要来自超长 tool result，光调 floor 效果有限。这时候优先看contextPruning，先把旧的 tool results 裁掉，再考虑 compaction。两者配合，才能把上下文管理做稳。
6. 把 reserveTokensFloor 用对的几个实操建议
reserveTokensFloor这个配置看起来很小，但它背后体现的是一个很重要的工程思路：上下文管理不是“快满了再处理”，而是要给下一轮推理保留足够 headroom。它不是百分比阈值，它是 headroom 策略。
如果你要记住一件事，那就是：先试 75% 左右，再根据真实工作流密度微调。对于 128k 模型窗口，目前最推荐的起点仍然是：
{ "agents": { "defaults": { "compaction": { "mode": "safeguard", "reserveTokensFloor": 32000 } } } }调完之后，别只看配置，一定要回到日志里确认contextTokens首次超过contextWindow - reserveTokens的位置。只有日志对上了，才算真正把压缩时机握在手里。
如果你还没配好通道，可以先用 TaoToken 的统一 Key/API 通道把 Base URL 指向https://taotoken.net/api，在控制台生成 Key，填好 Model ID，再按本文的步骤跑一遍验证。通道通了，compaction 的边界条件就变成一个可以量化、可以复现的工程问题，而不是靠感觉猜。
