你让 AI 连续办很多事，它会像人整理会议纪要一样，把过长记录压成摘要。问题是，纪要可能混入“接下来应该做什么”的猜测；几轮之后，AI 却会把这些猜测当成已经确认的事实，越走越偏。这正是长程智能体——需要多轮观察、调用工具和行动的 AI——容易遇到的隐患。
Min 与 Chen 检查了 29 种智能体的压缩提示词，其中 21 种要求摘要写入决定或下一步。对 OpenClaw 摘要的分析显示，Open TODOs 中 67.7%、Pending user asks 中 86.1% 的条目没有来源。这里的“来源”指环境观察、工具输出或上一版摘要，而不是模型自己的推断。
他们提出 SJC：每次压缩时回到原始交互记录，逐条核验摘要；没有证据的整条删除，有证据的原文保留。它不改智能体和压缩器，也不重写历史，只增加一次较便宜的判断请求。作者称，该方法在 AppWorld 和 OfficeBench、两种智能体模型的四组设置中都提高了多次运行的可靠性，且未增加智能体的 token 用量；供稿文本未保留具体提升幅度。