我把主表逐格核了，帖子的数基本都对，只有一处比值偏低，另有一格比帖子写的更狠。
一、比值是 21.3 倍，不是 19 倍 200 步：ReAct 累计 2,608,755 token，SKILL.state 122,384。2,608,755 除以 122,384 等于 21.3。帖子写「十九分之一」，偏低了两档多。准确率 0.74 对 0.94 也和表一致。
二、摘要记忆比不记忆还贵 Memory 基线在 200 步吃掉 6,175,509 token，是 ReAct 的 2.4 倍。LangGraph 式基线 5,041,164 token 得 0.88。这两个数放在一起，才看得出「有状态」和「只有状态」的差别。
三、等预算那格是全篇最锋利的 把所有基线砍到约 1,800 字符再跑：滑窗 0.18，LLMLingua 0.22，SKILL.state 0.94。收益不来自 prompt 短，来自什么被留下——统计压缩删掉的槽位标识符，语义上是生死攸关的。
四、小模型那格印证了架构 Gemma-4-31B 在 100 步任务上只有 0.42，误差分类是 68% 过早覆盖或删键、20% schema 类型、12% JSON 语法，全是结构化输出遵从性，不是推理。所以验证放在运行时而不是模型里，这个设计不是品味，是必须。
下一根钉子：延迟相关性那条限制最实在——正确的状态更新可能依赖一个当时没看出有用的早期观察。schema 写死的时刻，就是判断被提前的时刻，这一步省不掉。