大模型有上下文窗口限制（128K），长对话会累积大量历史消息，导致：
- 消耗更多 Token（增加成本）。
- 可能干扰当前查询，模型需要处理过多无关信息。
- 触及上下文长度上限，导致最早的对话被“挤掉”，且这个过程模型不可控。
会话修剪让你能主动、有策略地管理历史记录，而不是被动地等待模型截断。
主要功能与用途
- 节省成本：减少每次请求发送的 Token 数量。
- 提升相关性：移除过时或无关的对话分支，使模型更专注于当前主题。
- 维护系统提示：确保关键的
system提示（角色设定、核心指令）不被挤出上下文。 - 管理长对话：实现类似“摘要式记忆”或“关键点保留”的对话模式。
如何使用会话修剪功能
修剪功能可以在两个地方操作：
在聊天界面手动修剪
- 在对话历史记录中,找到你想开始“修剪”的消息。
- 通常会有一个 “从此处开始新对话” 或 “修剪至此” 的按钮。
- 点击后,该条消息之前的所有历史记录将从本次对话的上下文中移除，但不会从界面上物理删除（你仍然可以滚动查看）。
- 之后的模型请求，将只包含从你选定那条消息开始往后的对话内容。
举个例子：你讨论了10轮关于“Python基础”的问题，然后第11轮开始问“如何部署到服务器？”，你可以在第11条消息处修剪，这样模型就忘记了之前的所有Python基础讨论，上下文将完全专注于部署问题。
通过工作流节点自动修剪
在 OpenClaw 的 “工作流” 编辑器中，有一个专门的 “会话修剪” 节点。
- 配置参数：
- 目标会话：选择要修剪哪个聊天会话。
- 修剪策略：
- 保留最近 N 条消息，只保留最新的若干条（如最近5条）。
- 保留最近 N 轮对话：保留完整的 Q-A 轮次。
- 保留自某条消息ID之后：更精确的控制。
- 保留包含系统提示的消息：通常这是一个必选项，确保核心指令不丢失。
- 最大Token数限制：尝试修剪到设定的 Token 数以下。
- 工作流集成：你可以将这个节点放在工作流的特定环节，在判断到对话主题切换后自动触发修剪，或在对话达到一定长度后自动运行。
最佳实践与策略
- 主题切换时手动修剪：当用户开启一个全新、不相关的主题时，是手动修剪的最佳时机。
- 保留系统提示：务必在配置中勾选“保留系统提示”，除非你故意想清空角色设定。
- 智能自动修剪策略：
- “最近N条+系统提示”：最通用的策略，能保持对话的短期记忆。
- 结合摘要节点：在修剪前，先用一个 “ 节点将冗长的历史对话总结成一段精简的文字，然后将这段摘要（作为一条
system或user消息）和最近几条消息保留下来，这样既保留了长期信息的精髓，又极大地节省了空间。
- 谨慎操作：修剪是不可逆的（针对后续的模型上下文而言），修剪掉的信息将不再影响未来的回答。
OpenClaw 的会话修剪功能本质是一个 “上下文管理器”，它把对对话历史的控制权交还给用户，是进行长对话、多主题对话、成本敏感型应用的必备功能，通过 手动修剪 应对明确的需求切换，通过 工作流中的自动修剪节点 实现智能化的上下文维护，可以显著提升大模型应用的效率和效果。
用它来告诉模型“之前聊的XX部分可以忘了，我们从现在开始关注YY”。
版权声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。
