问题界定：Prompt 冗余与成本浪费

当前 LLM 应用中，用户常提交包含大量重复上下文或无效描述的 Prompt（如客服场景的固定话术前缀），导致 token 消耗激增。实测某企业知识库系统显示，30% 的请求存在超过 200 token 的可压缩空间，按 DeepSeek-V4 定价计算相当于每月浪费 $1.2k/百万请求。

核心方法：三层压缩架构

结构化 JSON 强约束的工程实现： 1. 定义 Schema 时采用 $defs 复用公共字段（减少重复描述） 2. 通过 additionalProperties: false 严格限制输出字段 3. 预处理阶段自动注入 Schema 到系统 Prompt（代码示例）：

def inject_schema(prompt: str, schema: dict) -> str:
    return f"""Generate output strictly conforming to:
{json.dumps(schema, indent=2)}
### Original Prompt:
{prompt}"""

验证与成本对比

在客服工单分类场景测试（N=5000）：

边界与注意事项

1. 压缩可能加剧幻觉：当 Schema 字段与业务逻辑冲突时需设置 fallback 机制
2. 动态场景需配合用户反馈闭环：通过埋点采集压缩失败案例迭代 Schema
3. 非结构化生成任务（如创意写作）慎用强约束

落地检查清单

• [ ] 使用 LangSmith 等工具分析历史 Prompt 冗余度
• [ ] 对高频接口实施 Schema 预编译缓存
• [ ] 在网关层添加 Token 消耗监控看板