在对话历史过长导致裁剪无法满足需求时，还有哪些处理方案？请解释 Compaction 的含义，并描述 OpenClaw 框架中 Compaction 策略的具体实现方式。

回答思路

1. 【回答框架 1】Compaction 即对话压缩，在历史长度超过限制或裁剪效果不佳时，通过将旧消息总结为摘要、提取关键信息并替换原文，从而在保留上下文核心的同时控制 token 占用。
2. 【回答框架 2】除裁剪外，常见方案包括：滑动窗口只保留最近 N 条；摘要法定期生成历史摘要；向量检索将历史向量化并只取相关片段；关键信息抽取将对话转为结构化状态或图谱。
3. 【回答框架 3】OpenClaw 的 Compaction 策略是当消息长度达到阈值时触发，系统会将较旧的消息发送到 LLM，让其生成摘要，并用摘要替换这些消息，同时保留较新的消息。其默认阈值和方式受模型上下文窗口限制，实际以最新文档为准。
4. 【回答框架 4】Compaction 与简单裁剪区别在于：裁剪是硬截断，可能丢失关键事实；Compaction 通过 LLM 主动摘要，能保留高层语义，但可能引入摘要偏差，需权衡。
5. 【关键点 1】Compaction 是用摘要替换旧消息以压缩长度，非简单截断。
6. 【关键点 2】主要方案包括滑动窗口、摘要、向量检索和状态提取。
7. 【关键点 3】OpenClaw 在超阈值时用 LLM 生成旧消息摘要并替换，实现上下文压缩。
8. 【关键点 4】具体参数随版本和模型变化，应查阅官方文档。
9. 【易错点 1】不能将 Compaction 等同于无损压缩，摘要可能丢失细节或引入幻觉。
10. 【易错点 2】不要认为策略在所有模型上都默认开启，需确认配置。
11. 【易错点 3】忽视触发条件会导致理解偏差，不同版本阈值可能不同。