​

Session Pruning

​

Wann es ausgeführt wird

• Wenn mode: "cache-ttl" aktiviert ist und der letzte Anthropic‑Aufruf für die Sitzung älter als ttl ist.
• Betrifft nur die Nachrichten, die für diese Anfrage an das Modell gesendet werden.
• Aktiv nur für Anthropic‑API‑Aufrufe (und OpenRouter‑Anthropic‑Modelle).
• Für beste Ergebnisse stimmen Sie ttl auf Ihr Modell cacheControlTtl ab.
• Nach einem Prune wird das TTL‑Fenster zurückgesetzt, sodass nachfolgende Anfragen den Cache behalten, bis ttl erneut abläuft.

​

Intelligente Standardwerte (Anthropic)

• OAuth‑ oder setup-token‑Profile: Aktivieren Sie cache-ttl‑Pruning und setzen Sie den Heartbeat auf 1h.
• API‑Schlüssel‑Profile: Aktivieren Sie cache-ttl‑Pruning, setzen Sie den Heartbeat auf 30m und setzen Sie den Standardwert cacheControlTtl bei Anthropic‑Modellen auf 1h.
• Wenn Sie einen dieser Werte explizit setzen, überschreibt OpenClaw diese nicht.

​

Was dies verbessert (Kosten + Cache‑Verhalten)

• Warum prunen: Anthropic‑Prompt‑Caching gilt nur innerhalb der TTL. Wenn eine Sitzung länger als die TTL inaktiv ist, cached die nächste Anfrage den vollständigen Prompt erneut, sofern Sie ihn nicht zuvor kürzen.
• Was günstiger wird: Pruning reduziert die cacheWrite‑Größe für diese erste Anfrage nach Ablauf der TTL.
• Warum das Zurücksetzen der TTL wichtig ist: Sobald Pruning ausgeführt wurde, wird das Cache‑Fenster zurückgesetzt, sodass Folgeanfragen den frisch gecachten Prompt wiederverwenden können, statt die vollständige Historie erneut zu cachen.
• Was es nicht tut: Pruning fügt keine Tokens hinzu und verdoppelt keine Kosten; es ändert lediglich, was bei dieser ersten Anfrage nach der TTL gecacht wird.

​

Was gekürzt werden kann

• Nur toolResult‑Nachrichten.
• Nutzer‑ und Assistenten‑Nachrichten werden niemals verändert.
• Die letzten keepLastAssistants Assistenten‑Nachrichten sind geschützt; Werkzeugergebnisse nach diesem Cutoff werden nicht gekürzt.
• Wenn es nicht genügend Assistenten‑Nachrichten gibt, um den Cutoff festzulegen, wird Pruning übersprungen.
• Werkzeugergebnisse mit Image‑Blöcken werden übersprungen (niemals gekürzt/geleert).

​

Schätzung des Kontextfensters

1. models.providers.*.models[].contextWindow‑Override.
2. Modell‑Definition contextWindow (aus dem Modell‑Registry).
3. Standard 200000 Tokens.

​

Modus

​

cache-ttl

• Pruning wird nur ausgeführt, wenn der letzte Anthropic‑Aufruf älter als ttl ist (Standard 5m).
• Bei Ausführung: Gleiches Soft‑Trim‑ plus Hard‑Clear‑Verhalten wie zuvor.

​

Soft‑ vs. Hard‑Pruning

• Soft‑Trim: nur für übergroße Werkzeugergebnisse.
  • Behält Anfang + Ende bei, fügt ... ein und hängt einen Hinweis mit der ursprünglichen Größe an.
  • Überspringt Ergebnisse mit Image‑Blöcken.
• Hard‑Clear: ersetzt das gesamte Werkzeugergebnis durch hardClear.placeholder.

​

Werkzeugauswahl

• tools.allow / tools.deny unterstützen *‑Wildcards.
• Siege nicht zu.
• Der Abgleich ist nicht case-sensitiv.
• Leere Allowlist ⇒ alle Werkzeuge erlaubt.

​

Interaktion mit anderen Limits

• Eingebaute Werkzeuge kürzen ihre Ausgabe bereits selbst; Session Pruning ist eine zusätzliche Ebene, die verhindert, dass sich in lang laufenden Chats zu viel Werkzeugausgabe im Modellkontext ansammelt.
• Kompaktierung ist separat: Kompaktierung fasst zusammen und persistiert, Pruning ist pro Anfrage transient. Siehe /concepts/compaction.

​

Standardwerte (wenn aktiviert)

• ttl: "5m"
• keepLastAssistants: 3
• softTrimRatio: 0.3
• hardClearRatio: 0.5
• minPrunableToolChars: 50000
• softTrim: { maxChars: 4000, headChars: 1500, tailChars: 1500 }
• hardClear: { enabled: true, placeholder: "[Old tool result content cleared]" }

​

Beispiele

{
  agent: {
    contextPruning: { mode: "off" },
  },
}

{
  agent: {
    contextPruning: { mode: "cache-ttl", ttl: "5m" },
  },
}

{
  agent: {
    contextPruning: {
      mode: "cache-ttl",
      tools: { allow: ["exec", "read"], deny: ["*image*"] },
    },
  },
}