OpenClaw 内存卫生检查

问题：长时会话的上下文漂移与记忆膨胀

OpenClaw 在长时间运行的会话中，上下文会逐渐偏离初始意图。随着对话轮次增加，记忆库中会积累大量低质量写入——重复片段、过时状态、缺乏引用的断言。这些“记忆垃圾”不会被自动清理，反而会污染后续推理。

当你基于一个已经漂移的上下文继续开发时，相当于在一个已经被污染的知识库上做决策。Review-gate 解决这个问题的方式不是事后清理，而是在记忆写入时就设置关卡。

核心能力与工作流程

Trust-policy 合成验证：运行 benchmarks/trust_policy_synthetic_proof.py，以 JSON 输出验证 trust policy 是否符合预期。这是一个合成证明，不依赖真实数据，用于确认策略逻辑本身正确。

Context pack 生成：执行 pack 操作，产出两个关键产物：

• bundle_text：受限大小的上下文文本 bundle
• context_pack：遵循 openclaw-mem.context-pack.v1 schema 的结构化包，包含 citations、trust policy 和 trace receipts

Self-curator 验证：通过 openclaw-mem self-curator verify 命令，针对 apply-receipt.json 进行校验。这个 receipt 记录了上一次 self-curator 运行的输入、决策和输出，verify 步骤确保整个链条可追溯。

适用边界

这个技能依赖 OpenClaw 运行时、SQLite 和本地文件系统访问权限。它不是独立工具——如果你的环境不支持这些依赖，无法运行 pack 或 verify 命令。

上游仓库和文档是主要信息源。如果你遇到 schema 不匹配或 receipt 格式问题，需要去 phenomenoner.github.io/openclaw-mem/ 查找最新规范。技能本身不包含完整的错误恢复逻辑，某些边界情况需要手动排查。

另外，synthetic proof 只验证策略逻辑，不验证真实数据质量。它告诉你“策略按预期工作”，但不告诉你“策略是否应该这样工作”——后者需要领域判断。