Exécuter OpenClaw 24h/24 et 7j/7 : Architecture pratique pour des agents autonomes persistants

Le Problème Fondamental : Croissance du Contexte Sans Persistance

Lors de l'exécution d'OpenClaw en tant qu'agent autonome toujours actif pour des flux de travail métier comme le traitement des commandes, la prospection par email, la génération de contenu sur 25 sites et la surveillance des expéditions avec environ 30 tâches cron, le système se comporte comme un serveur plutôt qu'un chatbot. Le problème racine est la croissance illimitée du contexte sans véritable couche de persistance.

Les tâches cron déclenchées toutes les 30 minutes maintiennent les sessions actives, empêchant les dépassements de délai d'inactivité tandis que le contexte s'étend à des milliers de lignes. Lorsque la compression résume les conversations, des détails critiques comme les identifiants, les états des flux de travail et les tâches en cours sont perdus. L'agent se réveille avec une "amnésie" alors que les utilisateurs paient pour des fenêtres de contexte remplies à 80% de sorties d'outils obsolètes datant de plusieurs heures.

Architecture Fonctionnelle : La Mémoire comme Fondation

La solution implique de traiter la mémoire comme la fondation plutôt qu'une réflexion après coup :

• Fichiers mémoire divisés par sujet au lieu d'un monolithe :
  workspace/ ├── MEMORY.md (mince, juste identité + pointeurs) ├── AGENTS.md (séquence de démarrage + protocole de récupération) ├── memory/ │ ├── INDEX.md (carte de navigation, l'agent lit ceci en premier) │ ├── SETUP.md (identifiants, jetons, clés API, chemins) │ ├── OUTREACH.md (flux de travail email, tarifs, offres) │ ├── SHIPMENT.md (surveillance, règles cron, canaux) │ └── log/ │ └── YYYY-MM-DD.md (journal d'activité quotidien, maintenu compact)
• Idée clé : Sauvegardez au fur et à mesure, pas à la fin. L'agent écrit dans les fichiers mémoire pendant les conversations, garantissant que les informations critiques persistent avant la compression.

Gestion des Sessions et du Contexte

• Cycle de vie agressif des sessions : "session": { "idleMinutes": 10, "reset": { "mode": "daily", "atHour": 4 } } - Réinitialisation forcée quotidienne à 4h du matin avec des délais d'inactivité courts.
• Élagage du contexte qui élague réellement : "contextPruning": { "mode": "cache-ttl", "ttl": "5m", "softTrimRatio": 0.2, "hardClearRatio": 0.35, "hardClear": { "enabled": true, "placeholder": "[Effacé — lisez les fichiers mémoire pour restaurer le contexte]" } } - Le marqueur indique à l'agent comment récupérer au lieu de supprimer silencieusement le contexte.
• Compression moins coûteuse : Utilisez un modèle plus petit pour la synthèse au lieu du modèle coûteux, car vous résumez des conversations, vous n'écrivez pas de code.

Outils d'Encapsulation pour une Fonctionnalité Améliorée

Quatre scripts Python construits aux côtés de l'agent fournissent des fonctionnalités critiques :

• Stockage de mémoire structuré : Basé sur JSON avec TTL, étiquettes, scores d'importance et interrogation par type. query --type credential est instantané.
• Points de contrôle de session : L'agent sauvegarde l'état aux points de rupture naturels pour la récupération après plantage.
• Résumé cron : Toutes les tâches cron enregistrent dans un fichier quotidien unique au lieu de 15 sorties distinctes qui gonflent le contexte.
• Suivi des coûts : Utilisation des jetons par agent par jour avec alertes de budget quotidien à 80% et 100%.

Ces outils sont en Python pur sans aucune dépendance OpenClaw, survivant aux mises à niveau de version en lisant et écrivant leurs propres fichiers JSON.

Optimisations Supplémentaires

• Gestion du cache des invites : Une rétention prolongée du cache plus des battements de cœur fréquents maintiennent le cache des invites actif, réduisant les défauts de cache pour des réponses plus rapides et des coûts plus bas.

Fonctionnalités Natives Manquantes

Le développeur souhaite qu'OpenClaw ait nativement : une mémoire structurée avec TTL et dégradation automatique (pas des fichiers plats), une véritable récupération après plantage et des points de contrôle de session, un mode planification (réfléchir avant d'agir), des artefacts qui survivent à la compression, des budgets de coût par agent avec coupures strictes, et un routage multi-agents (par exemple, les questions d'expédition allant à l'agent de traitement plutôt qu'au rédacteur de contenu).