提示压缩技术
学习在保留关键信息的同时缩短提示长度，节省令牌并提升速度
提示压缩技术 是 CoddyKit 上的免费 AI Prompt Engineering 课时。 这是第 1 节课，共 3 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 AI Prompt Engineering 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 AI Prompt Engineering 课程共包含 3 节课。
提示词压缩简介
欢迎学习提示词压缩技术！本课将帮助您了解如何在不降低提示词效果的情况下，让提示词更短、更高效。
为什么这很重要？
- 节省成本：LLM 应用程序接口通常按词元数量收费。
- 提高速度：更短的提示词可以带来更快的响应时间。
- 扩展上下文：在 LLM 的上下文窗口中容纳更多信息。
理解词元
在进行压缩之前，让我们快速了解一下词元。LLM 会将文本拆分为这些更小的单位进行处理，它们可以是单词、单词的一部分或标点符号。
每个词元都需要付费，并会占用 LLM“上下文窗口”中的空间；上下文窗口是 LLM 一次能够处理的最大文本量。
您可以把它想象成收拾行李箱：希望尽可能多地装入有用的东西！
方法 1：删除冗余内容
压缩最简单的方法是删除不必要的单词或重复短语。请直接表达，避免多次重复同一内容。
让我们比较一个冗长提示词和一个简洁提示词的示例。请注意“长度”的减少（长度与词元数量相关）。
def main():
verbose_prompt = """
I want you to please tell me what the main sentiment is for the following customer feedback.
The customer feedback is specifically about our new product launch.
Please categorize the sentiment as either positive, negative, or neutral.
Also, identify any specific issues or praises mentioned by the customer within the feedback.
"""
concise_prompt = """
Analyze this customer feedback for sentiment (positive, negative, neutral).
Identify specific issues or praises regarding our new product launch.
"""
print("Verbose characters (approx tokens):", len(verbose_prompt))
print("Concise characters (approx tokens):", len(concise_prompt))
if __name__ == "__main__":
main()方法 2：总结较长的上下文
如果您有一篇需要参考的很长的文本（例如文章或文档），不必总是将全文包含在内。
相反，请尝试对其进行总结。您甚至可以先使用 LLM 总结长文本，然后在主要提示词中使用该摘要！
def main():
long_article = """
The recent study on renewable energy sources highlights significant advancements in solar panel efficiency.
Researchers at the Solar Institute have developed a new photovoltaic material that converts 25% more sunlight into electricity.
This breakthrough could drastically reduce the cost of solar power and accelerate its adoption globally.
Furthermore, the report also touches upon improvements in wind turbine technology, particularly in offshore installations,
which are now capable of generating power more consistently even in varying weather conditions.
The implications for sustainable development are immense, promising a cleaner future.
"""
summarized_context = """
New solar panel material boosts efficiency by 25%, cutting costs. Wind turbine tech also improved,
especially offshore. This promises a cleaner, sustainable future.
"""
print("Original context characters:", len(long_article))
print("Summarized context characters:", len(summarized_context))
if __name__ == "__main__":
main()方法 3：提取关键信息
有时，完整摘要仍然过于冗长。对于某些任务，您可能只需要从较大的文本中提取特定关键词、实体或关键事实。
不要进行总结，而是指示 LLM（或预处理步骤）只提取与主要任务相关的最关键的信息。
def main():
customer_review = """
The new smartphone has an amazing camera, truly stunning photos! But the battery life is terrible,
it barely lasts half a day. The screen is vibrant, though, and the processor is super fast.
"""
key_features = """
Keywords: 'amazing camera', 'stunning photos', 'terrible battery life', 'vibrant screen', 'super fast processor'.
"""
print("Original review characters:", len(customer_review))
print("Extracted keywords characters:", len(key_features))
if __name__ == "__main__":
main()方法 4：精简指令
您的指令本身通常也可以更加简洁。删除开场赘述、重复短语和过度礼貌的语言（除非特定角色设定有所要求）。
直接说明您希望 LLM 做什么。清晰简短的命令通常比冗长、漫无目的的命令更有效。
方法 5：删除无关数据
检查您的提示词，找出所有没有直接帮助完成当前任务的信息。如果某项数据或上下文对于 LLM 生成所需输出并不重要，请将其删除。
提示词中的每一条信息都应该有其用途。如果没有用途，它只是在增加噪声和词元数量。
组合使用多种技术
为了实现最高效率，您通常需要结合使用多种压缩技术：
- 首先删除明显的冗余内容。
- 总结或提取冗长背景文本中的关键要点。
- 将指令精简得尽可能清晰、简短。
- 最后删除并非绝对必要的数据。
这种分层方法能够确保您的提示词精简且重点突出。
影响与收益
主动压缩提示词可以为您带来多项好处：
- 降低应用程序接口成本：每次请求支付更少费用。
- 更快的响应：减少 LLM 的处理时间。
- 更大的上下文：将更复杂的问题或数据装入模型的工作记忆。
- 提高专注度：LLM 能够更好地专注于关键信息。
这能同时提升性能并节省预算！
检查您的理解
以下哪些是有效的提示词压缩技术？
课程总结
做得很好！您已经学会了提示词压缩的核心原则。
我们学习了：
- 压缩为何重要（词元、成本、速度和上下文）。
- 删除冗余、总结、提取关键词、精简指令以及删除无关数据等技术。
- 充分压缩提示词的好处。
请继续练习这些方法，让您与 LLM 的交互更加高效且经济！
常见问题解答
「提示压缩技术」课时是免费的吗？
是的 — 「提示压缩技术」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 AI Prompt Engineering 课程的其余内容，请升级到 CoddyKit PRO。 AI Prompt Engineering 课程共包含 3 节课。
「提示压缩技术」这节课中我会学到什么？
学习在保留关键信息的同时缩短提示长度，节省令牌并提升速度 你通过在浏览器中直接运行的动手代码来练习 AI Prompt Engineering，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 AI Prompt Engineering 需要有经验吗？
无需任何先前经验。CoddyKit 上的 AI Prompt Engineering 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 3 节。
「提示压缩技术」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 AI Prompt Engineering 课中编写并运行代码吗？
能。每节 AI Prompt Engineering 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 提示压缩技术
- LLM 调用成本优化
- 微调与高级提示