PromptSlim 0.3.0：不只是"剃冗余"，这次连缓存钱也帮你省了
适合发布平台：掘金、知乎、SegmentFault
先看一组数据
我做了一个对比测试，用同一段文本分别跑旧版和 0.3.0 版：
| 场景 | 旧版删除率 | 0.3.0 删除率 | 变化 |
|---|---|---|---|
| 中文口语对话 | 33.3% | 66.7% | 翻倍 |
| 中文技术讨论 | 22.5% | 75.0% | 三倍 |
| 英文冗余句式 | 0% ❌ | 54.3% | 从零覆盖 |
| Python 代码段 | 17.4% ❌破坏 | 0% ✅保护 | 关键修复 |
| 中英混合内容 | 34.3% | 43.1% | +26% |
旧版在代码场景下会主动破坏你的 prompt（把 def fibonacci(n): 里的单词当废话删了），0.3.0 彻底修了这个问题。
三个新功能，逐个说
1. 代码保护：别再破坏我的 prompt 了
很多人用 LLM 写代码，system prompt 里经常贴示例代码片段。旧版规则引擎不管这些，碰到 return、import、class 照样匹配删除。
0.3.0 新增了 _is_code_like() 检测函数：
# 多行 + 缩进 + 强特征（def/class/{}）→ 判定为代码 → 跳过压缩
code_prompt = """
def fibonacci(n):
if n <= 1:
return n
return fibonacci(n-1) + fibonacci(n-2)
"""
检测逻辑分两层：
- 强特征：
def/class/{}/[]/->命中行 > 50% → 代码 - 弱特征：4 空格/Tab 缩进行 > 40%（≥3 行）→ 代码
- 含中文 > 30% 的文本不会被误判为代码
这样 prompt 里的示例代码安全了，自然语言照样压缩。
2. 上下文感知的英文规则
旧版把 basically/actually/literally 一刀切全删。这会导致 "I actually think this is wrong" 变成 "I think this is wrong"——实际上丢了一个强调语义，actually 在这里是内容词。
0.3.0 的策略：
句首/独立使用 → 填充词，删除：
"Basically, this is wrong." → "this is wrong."
句中跟在 I 后面 → 删除填充词但保留动词：
"I basically think..." → "I think..."
逗号包裹 → 删除：
"This is, basically, wrong." → "This is wrong."
同时新增了 8 种英文冗余句式：with regard to → regarding、it goes without saying that → ""、as a matter of fact → "" 等。旧版这些一个都不认识。
3. Anthropic Prompt Caching 集成
这是最"省钱"的功能。如果你用 Claude API，Prompt Caching 能让你重复调用的 system prompt 以 1/10 的价格读取。
我在项目中加了 cache.py 模块，一行代码就能分析 prompt 缓存潜力：
from promptslim import quick_slim
# 准备消息（模拟一个带长 system prompt 的 Agent 对话）
messages = [
{"role": "system", "content": ("You are an expert code reviewer. " * 350)},
{"role": "user", "content": "Review auth.py for security issues"},
]
# 瘦身 + 缓存分析一起
text = "\n".join(m["content"] for m in messages)
report = quick_slim(text, model="claude-opus-4-7", cache_messages=messages)
d = report.to_dict()
print(f"瘦身节省: {d['savings_pct']}%")
print(f"缓存命中后再省: {d['cache']['savings_per_cached_call_usd']:.6f} USD/次")
# 输出: 缓存命中后再省: 0.127453 USD/次
实际数据：一个 9900 token 的对话，system prompt 占 9441 token。缓存命中的读价是原价的 1/10，单次调用省 85.3% input 费用。
CLI 也支持了：
promptslim slim prompt.txt --cache messages.json
# 瘦身报告下方直接显示缓存分析表格
完整的省钱链路
现在 PromptSlim 覆盖了三种 Token 优化策略：
┌────────────────────────────────────────────────────┐
│ 你的 Prompt（原始） │
└──────────────────┬─────────────────────────────────┘
│
┌─────────▼──────────┐
│ 规则去冗余 (V2) │ 离线、零延迟
│ 剃掉废话/口头禅 │ 节省 5%~75%
└─────────┬──────────┘
│
┌─────────▼──────────┐
│ Prompt Caching │ 缓存稳定部分
│ system prompt 复用 │ 再省 10%~90%
└─────────┬──────────┘
│
┌─────────▼──────────┐
│ LLM 智能压缩 │ 语义保留压缩
│ 对话历史/长文档 │ 大幅缩短上下文
└─────────┬──────────┘
│
┌─────────▼──────────┐
│ AI Cost Sentinel │ 透明追踪实际消耗
│ (配合使用) │
└─────────────────────┘
安装使用
pip install git+https://github.com/JING04-PRODUCER/promptslim.git
from promptslim import quick_slim, analyze_messages
# 快速瘦身
report = quick_slim("嗯，那个我想说的是，这个功能非常非常好用")
print(f"节省 {report.savings_pct}% Token")
# 分析缓存潜力
messages = [
{"role": "system", "content": "你是专业的代码审查员..." * 300},
{"role": "user", "content": "检查 auth.py 安全问题"},
]
cache = analyze_messages(messages, "claude-opus-4-7")
print(f"缓存命中后每次节省: ${cache.savings_per_cached_call:.6f}")
开源地址
GitHub：github.com/JING04-PROD…
v0.3.0 改动总结：6 个文件、445 行新增、31 个测试全绿。
如果你也在用 LLM 做产品，给个 ⭐ Star，让更多人知道 Token 是可以省的。
标签：Python · LLM · Token 优化 · Prompt Caching · 成本控制 · 开源工具
