从极长的视频中进行流式三维重建需要在有限的内存和计算下在线估计相机运动和场景几何。早期的流式模型使用有限上下文缓冲区或紧凑的循环状态实现因果、有界成本的推断，但随着序列增长，其估计往往会恶化。最近的方法通过将短期上下文与持久或多层长期记忆相结合来提高长时间序列稳定性。我们采取了不同的路径：我们保持学习到的时间状态严格局部化，并制定预测目标独立于序列长度。我们提出了ABot-Recon，一个简单的流式模型，仅缓存前11帧的KV特征。它在当前相机坐标系中预测点图以及相邻帧的相对位姿。这些预测在参考系变化下保持等变性，全局位姿和几何通过顺序组合恢复。为了减少累积漂移，一个轻量级的时间精炼器利用最近的视觉和运动上下文改进相对旋转，而一个组合感知的位姿损失监督多步位姿组合。在具有挑战性的长序列基准上的广泛评估证明了我们的局部上下文方法的优越长时间序列性能。在Oxford Spires上，ABot-Recon实现了ATE为4.35米和RPE-R为0.12度，相对于最佳先前结果，将两种误差都减少了约40%。