稳定几何与分歧任务证据：高效长时程Agent压缩

长时程Agent累积的交互历史不断增长，推高上下文与推理成本。我们发现，仅凭几何冗余并不足以作为安全压缩的判据。尽管Agent历史呈现强烈的低维结构，相似的全局几何却可能保留数量差异巨大的任务证据。在保留块数相同的情况下，证据感知选择将下一步动作Top 3保留率从0.31提升到0.69，而质心相似度仍保持在0.98。受控替换实验进一步表明，动作相关信息可以被大幅改变，而全局几何指标几乎不变。受几何与证据之间这一差距的启发，我们提出Geometry Guided Evidence Preserving Memory（GEM），一个免训练的压缩器，它先保护任务与执行证据，再利用几何残差补全覆盖。GEM将每个任务的平均组合token用量从2.69M降至2.11M，降幅21.4%，同时保持可比的任务奖励。我们的结果表明，高效的Agent历史压缩应优化被保留的任务证据，而非仅优化几何覆盖。