OpenClaw系列第8课：Context Engine - 模型“看到了什么”

这是「OpenClaw 教程课程」第 8 课。
前一课我们讲了 Agent Loop，知道了一条消息会经历一轮完整处理流程。今天继续往里走一步：模型到底看到了什么？

图：Context Engine 决定模型看到哪些信息、以什么顺序看到、哪些内容更重要。

很多人对 AI 的理解还停留在一个很简单的层面：

  • 我发一句话
  • 模型读到这句话
  • 然后回答

但在 OpenClaw 里，事情远没有这么简单。

因为模型看到的，通常根本不只是你刚输入的那一句。

它还可能同时看到：

  • 系统提示词
  • 角色设定
  • 当前 Session 历史
  • 工作区里的 bootstrap 内容
  • Skills 提供的上下文
  • 工具结果摘要
  • 当前运行的模式与限制

也就是说：

模型并不是在读“你的这一句话”，而是在读一整份由系统拼装出来的上下文包。

而负责这件事的，就是你今天要理解的核心概念：

Context Engine。

一、先说结论：Context Engine 决定模型到底“看见了什么”

你可以先把 Context Engine 理解成一个很直白的角色：

它是 OpenClaw 在把消息送进模型之前的“上下文装配系统”。

也就是说，当你发出一条消息后，系统不会直接把这句话原样扔给模型。

它通常会先做这些事：

  1. 找到当前所属 Session
  2. 读取历史消息
  3. 加入系统提示词
  4. 注入工作区上下文
  5. 加入技能相关说明
  6. 追加必要的运行信息
  7. 最终整理出一份“模型实际看到的输入”

所以你以后一定要建立一个习惯：

用户看到的是输入框；模型看到的是 Context Engine 拼出来的一整包内容。

二、为什么需要 Context Engine？

因为如果没有它，OpenClaw 就会退化成非常原始的“单轮消息转模型”系统。

那会带来很多问题：

  • 模型不知道自己是谁
  • 不知道现在处在哪个 Session
  • 不知道之前聊过什么
  • 不知道有哪些可用工具
  • 不知道工作区里有哪些背景信息
  • 不知道这次任务的边界和规则

而 OpenClaw 之所以能表现得“像一个持续存在的 Agent”，靠的并不是模型自己突然变聪明了，而是：

Context Engine 在每一轮运行前，把该给模型看的东西都组织好了。

三、模型看到的内容，通常由哪几部分组成？

你可以先把它粗略拆成 5 大块。

1）系统层信息

这是最上层、最稳定的一层。

通常包括：

  • 系统提示词
  • 角色和行为边界
  • 运行规范
  • 输出风格要求

这部分决定了模型是以什么身份、什么规则在回答。

2）会话层信息

也就是当前 Session 中已经发生过的内容。

例如：

  • 之前说过什么
  • 当前话题是什么
  • 这轮回复应该延续哪段历史

这部分决定了它为什么“能接上文”。

3）工作区 / bootstrap 层信息

例如：

  • AGENTS.md
  • SOUL.md
  • USER.md
  • 其他工作区注入的背景信息

这部分决定了它为什么会有固定人设、固定风格、固定目标。

4）技能与工具层信息

例如：

  • 当前可用 skills
  • 当前可用工具
  • 工具的能力边界
  • 工具返回结果的摘要信息

这部分决定了它不只是“会说”，而且知道“自己能做什么”。

5）当前用户输入

这才是你实际看到的那句话。

所以在真实运行里，用户输入往往只是 Context Engine 最后拼上的一块，而不是全部。

图：模型真正看到的输入，通常是系统提示词、Session 历史、工作区文件、技能与工具信息、当前用户输入一起组成的。

四、为什么同一句话，在不同上下文里会得到完全不同的回答？

这就是 Context Engine 最值得理解的地方。

比如你发同一句：

帮我整理一下

这句话本身其实非常模糊。

但如果放在不同上下文里，模型看到的世界完全不一样。

情况 A：前面刚聊完一篇教程

它会理解成：

  • 帮我整理文章结构

情况 B：前面刚执行过工具输出

它可能理解成：

  • 帮我整理工具结果

情况 C：当前工作区要求输出 Hexo Markdown

它可能理解成：

  • 帮我整理成博客发布格式

所以你会发现：

同一句用户输入，其实不是在真空里解释的，而是在整个上下文包里解释的。

这就是为什么 Context Engine 直接决定回答质量。

图：同一句输入在不同上下文条件下，会被模型理解成完全不同的任务。

五、为什么说 Context Engine 是 Agent 表现稳定性的关键？

因为 Agent 的“稳定感”其实主要来自上下文稳定，不是来自模型稳定。

比如你会觉得一个 Agent 很稳，通常是因为它：

  • 风格稳定
  • 目标稳定
  • 知道你是谁
  • 知道现在做什么
  • 不会每次都像失忆一样重新开始

而这些能力，本质上都依赖 Context Engine。

模型本身只是在接收和处理输入。

真正让输入变成“一个可持续角色的工作语境”的，是 Context Engine。

所以换句话说：

Context Engine 决定了这个 Agent 看起来像不像一个持续存在的助手。

六、Context Engine 和 Session 的关系是什么？

你可以把两者这样区分：

Session 决定“这条消息属于哪段上下文”

它解决的是归属问题。

Context Engine 决定“把这段上下文怎么装给模型看”

它解决的是装配问题。

所以你可以理解成：

  • Session 像仓库
  • Context Engine 像装配线

仓库里有很多材料，但模型不会自己进去翻。

真正把这些材料按顺序、按优先级、按结构整理后送进去的，是 Context Engine。

图：Session 决定上下文归属，Context Engine 决定上下文如何被拼装并送进模型。

七、Context Engine 和 Agent Loop 的关系又是什么？

前一课我们讲过：

Agent Loop 是一轮完整的运行过程。

那 Context Engine 在里面处在哪？

你可以理解为，它位于 Agent Loop 的前半段关键位置。

也就是：

  • 消息进入系统
  • 找到 Session
  • Context Engine 开始装配模型输入
  • 模型推理
  • 工具调用
  • 输出结果

所以它不是 Agent Loop 之外的附属物，而是 Agent Loop 里非常核心的一环。

甚至可以说：

没有 Context Engine，Agent Loop 仍然能跑；但它会退化成上下文非常贫瘠、表现非常不稳的系统。

八、为什么“系统提示词”这么重要？

因为系统提示词通常是 Context Engine 里优先级最高的一层之一。

它会决定很多基础行为，比如：

  • 角色身份
  • 输出语言
  • 风格倾向
  • 安全边界
  • 是否查文档
  • 是否先查记忆

也就是说，系统提示词不是“可有可无的背景说明”，而是：

模型进入这轮运行时最重要的行为框架之一。

这也解释了为什么工作区里像这些文件会这么重要：

  • AGENTS.md
  • SOUL.md
  • USER.md

因为它们往往最终都会进入 Context Engine 的装配链，进而影响模型看到的世界。

九、为什么有时候上下文太多，反而会出问题？

这是理解 Context Engine 后必须进一步知道的一点。

并不是“给模型越多上下文越好”。

如果上下文过多，会带来这些问题：

  • 重点被稀释
  • 噪音变大
  • 模型更容易跑偏
  • token 成本升高
  • 系统处理变重

所以 Context Engine 的价值，不只是“把东西都塞进去”，而是：

把该给模型看的东西，以合适的结构和优先级放进去。

这也是为什么后面你会遇到：

  • compaction
  • pruning
  • summary
  • context trimming

这些概念。

它们本质上都是在解决同一个问题：

上下文不能无限膨胀，必须被管理。

十、你可以把 Context Engine 理解成“给模型准备考卷的人”

这是一个我觉得很好懂的类比。

模型像一个很强的答题者。

但它答得好不好，不只取决于它聪不聪明，也取决于它拿到的题面长什么样。

而 Context Engine 就像那个出卷和装卷的人：

  • 题目顺序怎么排
  • 哪些背景材料放在前面
  • 哪些规则写在最上面
  • 哪些历史信息必须附带
  • 哪些多余内容要裁掉

所以以后你看到模型回答奇怪，不要只问：

  • 这个模型行不行？

你还要问：

  • 它到底看到了什么？

这往往是更关键的问题。

十一、这一课最值得记住的一句话

如果今天你只记一句话，我建议你记这句：

Context Engine 决定了模型真正看到的输入，而不是用户输入框本身。

一旦你真的理解了这句话，后面很多现象都会变得很清楚：

  • 为什么它能接上文
  • 为什么它会保持某种风格
  • 为什么同一句话在不同环境里会有不同答案
  • 为什么工作区文件会影响它的行为

十二、总结

今天这节课，你只要真正记住下面 5 句话，就够了：

  1. 模型看到的不是用户刚输入的那一句，而是一整份上下文包。
  2. Context Engine 就是这份上下文包的装配系统。
  3. Session 决定上下文归属，Context Engine 决定上下文如何被送进模型。
  4. 系统提示词、工作区文件、历史对话、技能和工具信息都会影响模型所见。
  5. 上下文不是越多越好，重点在于正确装配。

下一课预告

下一课我们会学：

第 9 课：Memory 机制——如何让 AI 记住你的事

也就是继续回答一个特别常见的问题：

  • 它到底记住了什么？
  • Session 记忆和长期记忆有什么区别？
  • Memory 文件是怎么工作的？

🦞 本文由八条撰写，持续更新中。