你的AI代理總"失憶"？這個開源方案用DAG結構根治Context截斷之痛

OpenClaw 創始人 Peter 近期推薦了一款名為 lossless-claw 的開源項目，試圖解決大語言模型 Agent 長期面臨的"失憶"困境——當對話上下文超出模型窗口限制時，傳統方案選擇直接截斷，而該項目提出了一條截然不同的技術路徑：零截斷、全壓縮、DAG 化存儲。

「滿了就截斷」：當前 Context 管理的原生缺陷

大語言模型的上下文窗口（Context Window）是其核心瓶頸之一。以 OpenClaw 為例，其內置的 context 管理機制遵循行業通行做法：當歷史對話累積的 token 數量觸及模型上限時，系統從最早的消息開始丟棄，以確保新輸入能夠進入窗口。這種「截斷式」策略簡單粗暴，卻埋下嚴重隱患。

Agent 的「失憶」問題由此產生。一個執行復雜任務的 AI 代理，可能在第 50 輪對話時徹底遺忘第 5 輪確立的關鍵約束條件，或在多步驟推理中丟失早期收集的重要證據。Peter 在推薦語中直指痛點：「如果你的 agent 經常因為忘事出問題」，這正是截斷機制導致的系統性缺陷。更隱蔽的風險在于，開發者往往難以預判哪段歷史會被截斷，調試成本居高不下。

截斷策略的流行有其歷史合理性——早期模型窗口僅 4K token，精打細算的裁剪是無奈之舉。但隨著 Claude 3 200K、GPT-4 Turbo 128K 等長窗口模型普及，問題本質已發生轉移：核心矛盾從「裝不下」轉向「找不著」。即使物理上能容納十萬 token，模型注意力機制的衰減仍會導致「中間丟失」現象，關鍵信息淹沒在噪聲中。

lossless-claw 的技術突圍：DAG 摘要與無損存儲

lossless-claw 的方案設計體現了對問題本質的重新理解。該項目采用三層架構：原始消息全量存入 SQLite 數據庫，自動提取摘要構建 DAG（有向無環圖）結構，最終向模型上下文注入的是經過拓撲排序的摘要版本而非原始文本。

這一設計的精妙之處在于信息分層。原始記錄零丟失，滿足審計與回溯需求；DAG 結構則捕捉對話中的邏輯依賴關系——哪條消息引用了哪條前提、哪個結論支撐了后續推理——形成可導航的知識圖譜。當需要填充上下文窗口時，系統基于當前查詢的相關性，從 DAG 中檢索最相關的摘要節點，而非機械地截取時間序列片段。

代價是顯性的：摘要生成與 DAG 維護需要額外消耗 token。但 lossless-claw 的命名本身即是對技術路線的宣示——「lossless」指向原始數據的完整保留，「claw」則隱喻精準抓取的能力。在 token 成本持續下降的行業背景下，以可量化的開銷換取確定性的信息留存，這筆賬對生產級 Agent 愈發劃算。

SQLite 的選型同樣值得玩味。相較于向量數據庫的流行方案，關系型數據庫的事務性與結構化查詢能力，更適配 DAG 的圖遍歷需求。這一選擇暗示了項目設計者的務實取向：不追逐技術時髦，而是為特定問題尋找最契合的工程解。

從「能記住」到「記得準」：Context 工程的范式轉移

lossless-claw 的出現，標志著 Context 管理正在經歷從「容量競賽」到「結構優化」的范式轉移。2023 年行業焦點是窗口長度的軍備競賽，各廠商競相推出 100K、200K 甚至百萬級 token 的模型；2024 年的關鍵問題則變成：如何讓模型真正利用這些窗口？

Peter 的背書具有信號意義。作為 OpenClaw 創始人，他公開推薦一個與自家產品內置機制理念相悖的方案，既體現了開源社區的開放心態，也暗示「截斷 vs 壓縮」的技術路線之爭尚未塵埃落定。對于開發者而言，這意味著需要根據任務特性做出選擇：高頻短對話場景下，截斷機制的開銷更低；復雜長程推理任務中，DAG 結構的信息密度優勢將放大。

更深層的啟示在于，大模型應用的基礎設施正在快速分層。底層是模型提供商的窗口擴展，中間層是如 lossless-claw 的 context 優化框架，上層則是面向垂直場景的 Agent 編排。每一層的創新空間都在打開，而「不截斷，只壓縮」的思路，很可能啟發更多針對注意力機制缺陷的架構創新——例如基于重要性評分的動態壓縮，或結合強化學習的上下文檢索策略。

當行業逐漸意識到「長窗口不等于長記憶」，lossless-claw 的 DAG 方案提供了一個可落地的參考實現。它的真正價值或許不在于技術本身的先進性，而在于證明了：在 LLM 應用的工程實踐中，對信息結構的精細化設計，比盲目追逐模型參數更能解決實際問題。對于飽受 Agent「失憶」困擾的開發者，這值得一試。