咱就是说OpenClaw 这种多 agent 场景，你得先把工具选择前置成路由问题，而不是把所有工具摊开让模型自己挑。

尤其是 writing-studio、coder、brain、publisher 本来就应该有不同工具边界，哈哈，你要是全dou混在一起，模型得疯。

真正的问题是：这些 schema Zui终会变成模型输入。

一个工具的说明，在这个构造里Yi经接近 196KB，我说这什么鬼？Ru果每轮dou带上，再叠加历史和工具结果，你的上下文预算会被“静态说明书”吃掉一大块。

我用一个hen小的 Python 脚本跑了个实验，不是线上 API benchmark，也不拿它证明某个模型强弱；它只回答一个工程问题：在 Agent 系统里哪些上下文Zui容易失控。

第三个实验测工具 schema，每个工具包含 name、description、个参数说明，工具数从增加到。

我不建议一上来就Zuo复杂记忆系统，先Zuo件事就够了：控制发给模型的输入材料。

hen多人第一反应是“模型不稳”，害，这不是洁癖，是为了防 phantom publish，自动化Zui危险的不是失败，而是假成功。

geng好的Zuo法是：写 receipt，按任务装载工具，把文件路径和行摘要放回上下文，而不是全塞进对话。

def compactsearchresult -> dict: matches = raw.get matches = sorted, reverse=True) return { "query": raw.get, "matchcount": len, "topmatches": , "line": m, "score": round, ), "snippet": m.get, } for m in matches ], }

你kan，这样既保留证据，又不污染每一轮输入，说实话，这招挺实用。

有人会问，为什么百度不收录？其实原因hen多，不好一概而论，对吧？你得检查 robots.txt、meta 标签这些基础配置。

有时候，内容质量、geng新频率也会影响收录，你懂的，总之是个综合因素。

拿一个发布型 agent 举例，它需要写文章、生成封面、发 CSDN、发掘金、验证公开页，Zui容易出问题的地方不是写作，而是发布后状态回灌。

我自己后面会把这套规则直接放进 OpenClaw 写作和发布 agent：工具结果先压缩，关键动作写 receipt，公开页再验证，等这些基础管住了再讨论换模型、换路由、换工作流，才有意义。

TOOLSETS = { "publish": , "debug": , "research": , } def select_tools -> list: if "发布" in intent or "CSDN" in intent or "掘金" in intent: return TOOLSETS if "报错" in intent or "日志" in intent or "定位" in intent: return TOOLSETS return TOOLSETS

这段代码hen粗糙，但方向对：先缩工具面再让模型选工具，不对不对，应该是先让模型理解意图，再匹配对应工具集。

全量历史会线性膨胀；工具结果原样回灌Zui浪费；schema 数量太多会安静吃掉预算，这就是 Agent 上下文膨胀的主要原因。

Q: OpenClaw Agent Zui先该优化哪里？

A: 先kan receipts 和工具日志，Ru果一次工具调用返回超过 20KB，却只用其中行Zuo决策，就先Zuo compaction，比改 prompt geng快见效。

Q: 工具结果摘要会不会漏掉关键证据？

A: 会，所以不要只保留摘要，正确Zuo法是“摘要进上下文，原文进文件”，Agent 需要细节时再按路径读取，这样既保留证据，又不污染每一轮输入。说白了就是个预算系统：哪些内容必须每轮出现，哪些只保留摘要，哪些应该写入文件或 receipt，而不是继续塞进下一轮对话。咱就是说这套逻辑挺实用。