长时间运行的 OpenClaw 会话，上下文窗口会被大量工具调用输出（exec 结果、文件读取、搜索结果）不断撑大。官方提供了两种互补的应对机制——Session Pruning（会话修剪） 和Compaction（压缩），本文基于官方文档理清两者的区别和配合方式。
Session Pruning 是什么
Session Pruning 在每次调用 LLM 之前，从上下文中修剪掉
"旧的工具调用结果"——用来减少 exec 结果、文件读取、
搜索结果等累积输出造成的上下文膨胀，且完全不触碰
你的对话消息本身
一个关键前提要理解——修剪只发生在内存中，不会修改磁盘上的会话记录。你的完整历史始终被保留，修剪只影响"这一次发给模型的内容"。
为什么这件事重要
长会话累积的工具输出会撑大上下文窗口，这既增加成本，也可能迫使 Compaction（压缩）比原本需要的时机更早触发。对于 Anthropic 提示缓存，Pruning 的价值尤其明显——缓存 TTL 过期后，下一次请求要重新缓存完整提示，而 Pruning 减小了这次"重新缓存写入"的体积，直接降低成本。
具体的修剪流程
1. 等待缓存 TTL 过期（默认 5 分钟）
2. 找到旧的工具调用结果（用户和助手的对话消息永远不动）
3. 软修剪（Soft-trim）：对超大结果保留头尾，中间插入 "..."
4. 硬清除（Hard-clear）：其余的直接替换为占位符
5. 重置 TTL，让后续请求能复用刚刷新的缓存
智能默认值
OpenClaw 针对 Anthropic Profile 自动启用 Pruning：
Profile 类型 Pruning是否启用 心跳周期
OAuth 或 setup-token 登录 是 1小时
API key 登录 是 30分钟
如果你自己显式设置了这些值，OpenClaw 不会覆盖你的配置。对于非 Anthropic Provider，Pruning 默认是关闭的。
如何手动启用或关闭
json5
{
agents: {
defaults: {
contextPruning: { mode: "cache-ttl", ttl: "5m" },
},
},
}json5
// 关闭 Pruning
{
agents: {
defaults: {
contextPruning: { mode: "off" },
},
},
}Pruning vs Compaction：一张表看懂区别
维度 Pruning（修剪） Compaction（压缩）
做什么 修剪工具调用结果 总结整段对话
是否持久化 否（仅限单次请求） 是（写入会话记录）
作用范围 仅工具调用结果 整个对话
两者是互补关系而非替代关系——Pruning 让工具输出在两次Compaction 周期之间保持精简，Compaction 则负责在上下文真正快满时做一次性的整体总结。可以理解为 Pruning 是"日常轻量瘦身"，Compaction 是"定期大扫除"。
实战建议
1. 使用 Anthropic 模型且走 OAuth/setup-token 登录的场景，
Pruning 已经默认开启，通常不需要额外配置
2. 使用非 Anthropic Provider 但同样面临长会话上下文膨胀问题，
考虑手动开启 contextPruning: cache-ttl
3. 排查"为什么这次请求缓存写入这么大"这类成本异常时，
先确认 Pruning 是否生效、TTL 设置是否合理
4. 不要指望 Pruning 能替代 Compaction——
前者不持久化、只管工具输出，真正的历史总结
还是要靠 Compaction 完成
总结
Session Pruning 和 Compaction 分工明确——Pruning 管"工具输出别越攒越大"，Compaction 管"整个对话该总结了"，两者配合才能让长时间运行的 Agent 会话既保持上下文精简，又不丢失完整历史记录。理解这个分工，是调优 OpenClaw 长会话成本和性能的基础一课。
来源：Session Pruning — OpenClaw 官方文档