#Pi Agent 运行时

Auto-Reply Pipeline (src/auto-reply/get-reply-run.ts)
  │
  ├── prompt: string（用户消息，已清理 Anthropic 魔术字符串）
  ├── images: any[]（如果是视觉模型）
  ├── sessionFile: string（.jsonl 转录文件路径）
  ├── config: OpenClawConfig
  ├── skillsSnapshot: 已加载的 skills 目录
  ├── thinkLevel: "off" | "minimal" | "low" | "medium" | "high" | "xhigh"
  ├── provider + modelId（由模型选择解析）
  └── abortSignal, timeoutMs, 流式回调

1. 解析工作空间目录（agent 专属或共享）
2. 解析认证 profile（从 profile 存储，带冷却检查）
3. 验证上下文窗口（硬最小值：CONTEXT_WINDOW_HARD_MIN_TOKENS）
4. 构建 system prompt（buildEmbeddedSystemPrompt → buildAgentSystemPrompt）
5. 过滤工具（applyToolPolicyPipeline：7 步级联）
6. 从 JSONL 文件加载会话历史
7. 发送给 Pi Agent SDK（agent.setSystemPrompt + session.run）
8. SDK 在循环中执行工具调用直到 assistant 停止
9. 订阅事件 → 累积用量（UsageAccumulator）
10. 根据结果分类返回或重试

EmbeddedPiRunResult
  │
  ├── payloads: Array<{ text, isError?, channel?, ... }>
  ├── meta:
  │     ├── durationMs
  │     ├── agentMeta: { sessionId, provider, model }
  │     ├── systemPromptReport（token 计数）
  │     └── error?: { kind, message }
  ├── usage?: { input, output, cacheRead, cacheWrite, total }
  ├── messagingToolResults?: any[]
  └── autoCompactionCount: number

问题：每次工具调用往返报告 cacheRead ≈ 当前上下文大小。
      累加 N 次往返得到 N × 上下文大小（膨胀了）。

解决方案：将"最后一次"缓存字段与累积总量分开追踪。
          - output：累积（总生成文本）
          - input/cacheRead/cacheWrite：仅来自最后一次 API 调用
          - total：lastPromptTokens + 累积 output

第一层：自动压缩（最多 3 次尝试）
  ├── 如果 SDK 本次尝试已压缩 → 直接重试
  └── 如果未压缩 → 调用 compactEmbeddedPiSessionDirect() → 重试

第二层：工具结果截断（仅一次）
  ├── 检查 sessionLikelyHasOversizedToolResults()
  └── 如果发现 → truncateOversizedToolResultsInSession() → 重试

第三层：放弃
  └── 返回错误："Context overflow: prompt too large for the model"

常量：
  BASE_CHUNK_RATIO = 0.4        （默认块 = 上下文的 40%）
  MIN_CHUNK_RATIO = 0.15        （最小块 = 15%）
  SAFETY_MARGIN = 1.2           （20% 缓冲，因为 estimateTokens() 不精确）
  SUMMARIZATION_OVERHEAD_TOKENS = 4096

压缩算法：
  1. 剥离 toolResult.details（安全：不可信/冗长的 payload）
  2. 按 token 份额分割消息（默认 2 部分）
  3. 对每个块：通过 LLM 生成摘要（重试 3 次，reasoning: "high"）
  4. 如果多个摘要：用"合并这些部分摘要"指令合并
  5. 降级：如果完整总结失败，排除超大消息（>50% 上下文）
  6. 最终降级："上下文包含 N 条消息，摘要因大小限制不可用"

自适应块比率：
  如果平均消息 > 上下文窗口的 10% → 减小块比率
  减量 = min(avgRatio × 2, BASE - MIN)

DEFAULT_PI_COMPACTION_RESERVE_TOKENS_FLOOR = 20,000

解析顺序：
  1. agents.defaults.compaction.reserveTokens（来自配置）
  2. agents.defaults.compaction.reserveTokensFloor（底线保证）
  3. DEFAULT_PI_COMPACTION_RESERVE_TOKENS_FLOOR（20,000）

触发条件：history_tokens > contextWindow - reserveTokens
  200k 上下文 + 20k 预留 → 压缩在 ~180k 历史时触发

步骤 1：tools.profile（per-profile 白名单）
步骤 2：tools.byProvider.profile（provider 特定 profile）
步骤 3：tools.allow（全局白名单）
步骤 4：tools.byProvider.allow（provider 特定全局）
步骤 5：agents.<id>.tools.allow（agent 特定）
步骤 6：agents.<id>.tools.byProvider.allow（agent + provider）
步骤 7：group tools.allow（群组级别）

每步：
  - 剥离仅插件白名单（对未知条目发出警告）
  - 展开插件工具组
  - 应用 filterToolsByPolicy()