JetBrains

核心事件 JetBrains 针对近期流行的“原始人语（Caveman Speak）”提示词技巧进行了深度实证研究。该技巧主张通过删除介词、冠词等虚词（如将“Please summarize this article for me”简化为“Summarize article”）来降低 Token 消耗。实验结果显示，虽然该方法能有效降低成本，但 65% 的节省率存在夸大，且会对复杂任务的准确率产生负面影响。 ▶ Token 节省的真相： 在实际测试中，通过剥离冗余词汇，Token 消耗平均降低了 25%-30%，而非社交媒体流传的 65%。 ▶ 性能权衡： 对于简单的信息提取和 RAG 任务，性能损失尚在可接受范围内；但在涉及代码生成、逻辑推理等高阶任务时，模型表现显著下滑。 ▶ 模型敏感度差异： 较小的模型（如 GPT-4o-mini）对语法结构的依赖程度高于大型旗舰模型，过度简化容易引发幻觉。 八卦洞察 “原始人语”的兴起本质上是企业级 AI 应用从“追求智能极限”向“追求 ROI（投资回报率）”转型的缩影。在 Bagua Intelligence 看来，这种“提示词返祖”现象揭示了当前 LLM 交互的一个悖论：我们花费数年让模型理解自然语言，现在却为了省钱试图让它回归机器指令。这种做法虽然在短期内能缓解 Token 焦虑，但实际上是在牺牲“语义密度”来换取“字符稀疏”。对于志在构建高可靠性 AI 智能体的开发者而言，盲目追求极致的 Token 压缩可能会破坏模型内部的注意力机制（Attention Mechanism），导致模型在处理长上下文时丢失关键逻辑锚点。 行动建议 分级采用策略： 在处理大规模、低复杂度的任务（如数据清洗、简单分类）时，可采用电报式提示词以降低成本。 保留逻辑连接词： 在进行 Chain-of-Thought（思维链）或多步推理时，严禁使用原始人语，必须保留“if”、“then”、“because”等逻辑连接词。 自动化压缩测试： 建议开发者在部署前利用 GPT-4o 等强模型对提示词进行“语义压缩”测试，寻找 Token 消耗与准确率的最佳平衡点（Pareto Frontier），而非手动删除虚词。