一个"废话过滤器"能省多少电？

「每少一个词，就少烧一点煤。」——这话如果出自环保主义者之口不奇怪，但说这话的是个给大模型写脚本的开发者。

他做了个叫 Defluffer 的工具，专门帮人把写给人工智能的提示词（prompt）砍掉废话。不是用另一个大模型来改写，而是用硬编码的规则直接压缩。理由是：用人工智能省人工智能的算力，这事本身就很蠢。

为什么"省词"等于省电

大模型对话有个反直觉的机制：每次你发新消息，它会把整段对话历史重新读一遍。所以开头省下的一个词，会在后续几十轮交互中被反复加载。

Defluffer 的作者算过一笔账：假设全球 4000 万开发者每天用 30 次人工智能，每次省 135 个词（token），一年能省 60 吉瓦时电。这个数字来自谷歌的 Gemini，作者自己标注是"fluffed numbers"——掺了水的估算。

但核心逻辑成立：词少了 → 算力需求降了 → 电费省了 → 数据中心少烧煤。

具体怎么砍

作者放了一个演示案例。原始提示词 200 多词，充满"Hello there""I would really appreciate""Due to the fact that"这类礼貌废话，以及"strictly equals to true"这种冗余技术描述。

Defluffer 的处理很粗暴：删掉问候语、把"Due to the fact that"换成"Because"、去掉"strictly""really"等副词、压缩代码注释。不改动技术意图，只剥离社交润滑层。

结果通常能压缩 40%-50% 长度。作者实测的演示文本省了 45% 的 token。

这项目认真吗？

「绝对不要用在生产环境，求你了。」这是作者的原话。

Defluffer 的代码是公开的，但定位是周末黑客项目（weekend hack）。它用正则表达式和硬规则处理文本，不理解语义，可能砍掉必要的上下文。比如"senior backend developer"这个身份设定，在某些场景下确实影响模型输出风格，Defluffer 可能误判为废话。

但作者想传递的信号是认真的：提示词工程（prompt engineering）的优化空间被严重低估。不是只有换更小的模型才叫优化，输入端减肥同样有效。

省钱的副产品

按量付费的 API 用户能直接受益。OpenAI、Anthropic 等厂商按 token 计费，输入输出都收钱。Defluffer 只砍输入端，但对话历史反复加载的机制意味着：开头省下的 token，会在整个会话周期持续产生复利。

订阅制用户（比如 ChatGPT Plus）感知不明显，但企业级 API 调用量大的场景，累积效应可观。

作者还做了个可视化计算器：拖动滑块调整"每日提示次数""平均节省 token 数"，实时显示预估的年度二氧化碳减排量。把个人编码习惯和全球气候议题挂钩，这个设计比技术本身更有传播性。

45% 的压缩率意味着什么

如果行业普遍接受"提示词需要预处理"这个前提，可能出现几种演变：

一是 IDE 和代码编辑器内置类似功能，在提交请求前自动压缩；二是出现更聪明的中间层，用轻量模型做语义保留的改写，而非硬规则；三是厂商自己在服务端优化，把成本转嫁给用户前的缓冲。

Defluffer 用极端简化的方案证明：这个优化空间真实存在，且不需要等待技术突破。

60 吉瓦时的估算大概率偏高，但即使按十分之一计算，也是 6 吉瓦时——相当于几千个家庭一年的用电量。而实现它只需要改变一个习惯：发请求前，先删一遍废话。