通用方法 · 熟练
给机器看的记录，可以再压一半
省的不是字数，是输出侧那张账单
大模型的计费结构里，输出 token 通常比输入贵三到五倍 —— 而输出侧一直没人认真管，因为「写清楚」看起来是模型的天职。有一个可复现的开源基准给出了反直觉的答案：只要在信息已经定稿之后，让它把这段记录改写成 1866 年的电缆文体（去掉冠词与虚词、只留事实 / 数字 / 专有名词），输出账单能掉 40%~49%，而另一批从未见过示范的模型从这些压缩记录里读答案，准确率不降反升（恢复比 0.99~1.10）。三条边界同样重要：必须先定稿再压缩（让它用压缩体思考会更差）· 指令里要写「小写」（全大写排版本身要花掉十几个百分点）· 关不掉推理的模型会因此想得更多、账单翻倍。
方法 · 一图看懂
1
只压给机器读的记录 — agent 记忆 / 中间产物 / 系统间交接；⛔ 不压给人看的正文
2
先定稿，再压缩 — 让它在正常语体里把内容说完，第二步才转成压缩记录
3
指令要短且明确 — 一句「用小写电报体改写，去掉冠词与虚词，保留名称·日期·数字·动作」
4
先量后推 — 拿同一批文本跑两遍，比对 API 计量表上的输出 token，再决定铺开
5
读回验一遍 — 用另一个模型从压缩记录里回答同一批问题，确认没有信息损失
原理 · 为什么有效
这笔账能省下来，靠的是一个容易被忽略的区别：「给人读」和「给机器读」是两种不同的输出规格。人需要连接词、需要语气、需要把话说圆；机器只需要实体、数字与动作 —— 而模型默认按人的规格写，每一句礼貌与过渡都在按输出价计费。电缆体之所以有效，不是因为它是密码（研究里另有对照：预定义替换表的「码本」写法只省约 10%），而是因为它把「该省什么」写成了可执行的语体规则：删虚词、保事实。三条边界决定了它什么时候不划算：① 必须等信息定稿 —— 让模型一边推理一边用压缩体，等于把省下来的输出换成更贵的思考；② 全大写是小坑，模型会把电报体写成大写，而大写排版本身就多花十几个百分点，所以指令里要写「小写」；③ 不同模型的压缩幅度差得很远（25%~49%），且有模型因为关不掉推理而账单翻倍 —— 所以「先量后推」不是谨慎，是必要。
适用场景
适用：在跑多步 agent、需要把中间结论交给下一步或另一个模型的人 —— 也就是那些「输出侧账单占比明显偏高」的用法。
⛔ 不适用：给人看的正文（客服回复、文章、报告）· 法律与医疗这类一个字都不能省的文本 · 你自己要反复读的工作笔记。
⚠️ 前提：你要能拿到 API 的 token 计量（按次看输出 token），否则没法验证省没省。
自测 · 5 问
我这条链路里，哪些输出是给人读的、哪些是给下一步读的？我能分开吗？
我打算压缩的那段内容，它已经定稿了吗？（还是我准备让模型一边想一边压？）
我的指令里写了「小写」吗？（不写它会把电报体打成全大写，反而更贵）
我在同一批文本上量过两次输出 token 吗？数字是从 API 计量表来的，还是从字数估的？
压缩后，我用另一个模型读回并回答过同一批问题吗？答错的那几条我看了吗？
怎么上手 · 验证步骤
第一次只压一种东西：你的 agent 上一次交接给下一环的那段记录。步骤三步：① 把那段记录原样跑一遍，记下输出 token；② 在同一个模型上加一句「用小写电报体改写以上内容，去掉冠词与虚词，只保留名称 / 日期 / 数字 / 动作」，记下输出 token 与改写后的记录本身；③ 把改写后的记录喂给下一环（或另一个模型），看它能不能答对原来那批问题。三样都拿到再决定要不要铺开；只看到 token 掉了一半就铺开，是这一页最容易踩的坑。
自检动作：同一批文本跑两遍，把两次的输出 token 与下游答对率写在同一行上（例如「620 → 340 token，10 问答对 10」）。只写得出 token、写不出答对率，说明这一步还没验完。