提示词压缩：把认知科学和提示词工程打通
目录
- 提示词压缩：把认知科学和提示词工程打通
- 一、大脑如何判断"什么信息重要"
- 1. 预测编码（Predictive Coding）——最底层的判断标准
- 2. 自上而下注意力（Top-down Attention）——任务驱动的门控
- 3. 工作记忆瓶颈——容量硬限制
- 4. 语义图式（Schema）——编码效率的决定因素
- 5. 记忆巩固——重复与情绪决定长期保留
- 6. 突触修剪（Synaptic Pruning）——用进废退
- 二、对提示词压缩的核心启发
- 三、现有提示词压缩方案及优缺点
- 方案1：Token级熵压缩（LLMLingua / LongLLMLingua）
- 方案2：LLM摘要压缩（GPT-Compressor / Prompt Summarization）
- 方案3：检索选择性保留（Selective Context / RAG-based Compression）
- 方案4：语义嵌入聚类（Embedding Clustering）
- 方案5：模板化/变量化（Template-based / Few-shot Abstraction）
- 方案6：工程层缓存（Prefix Caching / KV Cache优化）
- 四、具体案例：API代码生成Prompt的压缩
- 原始Prompt（约380字）
- 压缩后（约75字，压缩率约5×）
- 逐段分析：为什么删、为什么留
- 五、映射关系图
- 六、为什么这套映射有效——LLM与大脑的深层同构
- 七、一句话总结
一、大脑如何判断"什么信息重要"
大脑不是被动存储信息的硬盘，而是一个预测机器+筛选器。它通过六层机制决定哪些信息值得进入意识、被记住、被调用：
1. 预测编码（Predictive Coding）——最底层的判断标准
大脑持续对感官输入做预测，只把预测误差（意外、不符合预期的部分）向上传递。符合预期的信息被自动抑制，因为它不携带新信息。
- 你走进熟悉的办公室，不会注意到每把椅子的位置——预测为零，被过滤。
- 但如果桌上多了一个陌生包裹，预测误差拉满，注意力立刻被捕获。
2. 自上而下注意力（Top-down Attention）——任务驱动的门控
前额叶皮层根据当前目标，主动放行与任务相关的信息，抑制无关输入。
- 你在嘈杂餐厅里能专注听朋友说话（鸡尾酒会效应），因为目标是"对话"。
- 但如果有人喊你的名字，即使声音小也会被听到——自下而上的显著性打断了自上而下的过滤。
3. 工作记忆瓶颈——容量硬限制
工作记忆只能同时容纳约4个组块（不是经典的7±2，后续研究修正为4）。信息必须被组块化（chunking）才能进入：
- “19491001
