文本语义压缩器(免费版)

面向长文本场景的语义压缩工具，通过迭代验证与锚点校验机制，在保证关键信息完整的前提下大幅缩减Token占用。核心能力：，可自发提升工作效率. 适用于需要file compressor相关能力的开发场景,包含结构化的工作流程和可复用的模板,帮助用户快速完成任务并保持代码质量. 适用于需要file compressor相关能力的开发场景,包含结构化的工作流程和配置指引.

面向长文本场景的语义压缩工具，通过迭代验证与锚点校验机制，在保证关键信息完整的前提下大幅缩减Token占用.

概述

本工具不是位级无损压缩，而是语义级压缩——保留信息含义的同时降低文本冗余。设计目标：

• 关键信息保真：数字、人名、日期等锚点必须精确还原
• 迭代验证收敛：最多3轮迭代确保压缩后信息可还原
• 级别可调：L1（0.8x）适合人类阅读，L2（0.5x）适合系统提示词
• ROI透明：压缩本身消耗3-4次LLM调用，需多次复用才划算

已知限制

这是语义压缩，不是位级无损压缩。

• L1-L2：经验证可还原，生产环境可用
• L3-L4：实验性，可能丢失细微信息
• 严禁用于：医疗剂量、法律文本、金融数据、安全关键数据
• 当前为免费版本,如需完整功能请升级到付费版获取全部能力

核心能力

能力	描述	免费版限制
L1压缩	轻度压缩，0.8x压缩比，可读性高	不限
L2压缩	中度压缩，0.5x压缩比，适合提示词	不限
L3压缩	重度压缩，0.3x压缩比，实验性	❌ 禁用
L4压缩	极限压缩，0.15x压缩比，研究用	❌ 禁用
锚点校验	提取关键事实作为压缩基准	自动提取
迭代验证	最多3轮收敛验证	支持
ROI预估	计算盈亏平衡点	基础估算
格式策略	针对Markdown/JSON/代码等不同格式	基础策略

核心功能执行

用input_params参数进行配置.

处理: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回核心功能执行的响应数据,包含状态码、结果和日志.

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

参数配置与调用

用config_options参数进行配置.

处理: 解析参数配置与调用的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回参数配置与调用的响应数据,包含状态码、结果和日志.

• 执行此能力时使用config_options参数,支持修改/重置/导入操作

结果处理与输出

用output_format参数进行配置.

处理: 解析结果处理与输出的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回结果处理与输出的响应数据,包含状态码、结果和日志.

• 执行此能力时使用output_format参数,支持导出/保存/转换操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：基于迭代验证与锚、点校验的语义文本、压缩工具、级别可靠还原、适合提示词优化、面向长文本场景的、语义压缩工具、通过迭代验证与锚、点校验机制、在保证关键信息完、整的前提下大幅缩、Token、核心能力等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持.

快速开始

1. 确认运行环境满足依赖说明中的要求
2. 在AI Agent对话中调用本技能,提供必要的输入参数
3. 检查输出结果,根据需要进行后续处理

详细的输入输出格式请参考下方章节说明。

使用场景

场景1：系统提示词压缩（开发者角色）

开发者有一个2000 Token的系统提示词，需要在不同LLM间复用，但部分模型上下文窗口受限：

text

压缩前（2000 Tokens）：
"你是一位资深的Python工程师，擅长处理数据分析任务.
你的回答应该结构清晰，包含以下部分：
1. 问题理解
2. 解决方案设计
3. 代码实现
4. 测试用例
5. 性能分析
..."
# ...
压缩后（L2，约1000 Tokens）：
"资深Python工程师，专注数据分析。回答需含：问题理解→方案设计→代码→测试→性能分析5部分。"

场景2：知识库内容精简（知识管理者角色）

知识库中存储了100篇技术文档，希望降低检索时的Token消耗：

text

原文（5000 Tokens）："在分布式系统中，CAP定理指出一致性(Consistency)、可用性(Availability)、分区容错性(Partition tolerance)三个属性无法同时满足..."
# ...
L1压缩（4000 Tokens）："CAP定理：分布式系统中一致性、可用性、分区容错性三者不可兼得..."

场景3：对话历史压缩（聊天应用开发者角色）

长对话中历史消息累积过多，需要压缩以保留上下文：

text

原始历史（8000 Tokens）：
用户：帮我设计一个用户登录系统
助手：好的，让我帮你设计。首先需要...
用户：那么密码应该如何存储？
助手：密码存储应该使用bcrypt...
# ...
L2压缩（4000 Tokens）：
[历史] 用户问登录系统设计→助手给出方案；用户问密码存储→助手建议bcrypt...

场景4：报告摘要生成（内容创作者角色）

将冗长的技术报告压缩为可分享的摘要：

text

原文（10000 Tokens）：详细的市场分析报告...
L1压缩（8000 Tokens）：保留全部要点，去除冗余表达...

使用流程

Step 1：准备待压缩文本

确认文本非安全关键数据（非医疗、法律、金融）.

Step 2：识别锚点

提取必须精确还原的关键事实：

text

[ANCHORS: 3个人名(张三/李四/王五), $42,000, 2024-03-15, "项目Alpha"]

Step 3：执行L2压缩

将原文压缩至L2级别（约0.5x）.

Step 4：迭代验证

将压缩结果重构成新文本，与原文锚点对比：

• 锚点全部匹配 ✓ → 压缩成功
• 锚点部分缺失 → 补充缺失信息，重新压缩
• 最多3轮迭代，仍未收敛说明级别过激，降级使用

验证循环

text

1. 压缩原文O → 压缩结果C
2. 从O中提取锚点（实体、数字、日期）
3. 不查看O，从C还原为R
4. 验证：锚点匹配 + 语义差异
5. 如有差异 → 用缺失信息修正C
6. 重复直到验证通过（最多3轮迭代）

收敛即验证通过。3轮未收敛说明压缩级别过激，应降级。

压缩级别详解

级别	压缩比	可靠性	适用场景	免费版
L1	~0.8x	高	人类阅读、对外分享	✅
L2	~0.5x	良好	系统提示词、重复使用	✅
L3	~0.3x	中等	实验性，需审查	❌
L4	~0.15x	低	研究用，预期丢失	❌

锚点校验系统

压缩前必须提取关键事实作为锚点：

text

[ANCHORS: 3 people, $42,000, 2024-03-15, "Project Alpha"]

重构结果必须精确还原这些锚点。锚点不匹配即压缩失败，需重新迭代. 锚点类型：

• 数字：金额、数量、百分比
• 命名实体：人名、地名、组织名
• 日期时间：精确到日
• 关键引用：专有名词、项目名

示例

锚点提取规则

yaml

# anchor-rules.yaml
anchor_types:
  numbers:
    patterns:
      - "\\$[\\d,]+"           # 金额
      - "\\d+(?:\\.\\d+)?%"    # 百分比
      - "\\d{4}-\\d{2}-\\d{2}" # 日期
# ...
  entities:
    types: [person, organization, location]
    min_confidence: 0.8
# ...
  quotes:
    pattern: '"[^"]+"'
    min_length: 3
# ...
  preserve_source: true  # 锚点保留原文不压缩

压缩配置

yaml

# compress-config.yaml
level: L2                  # 压缩级别
max_iterations: 3          # 最大迭代次数
target_ratio: 0.5          # 目标压缩比
anchor_strict: true        # 锚点严格匹配
format_aware: true         # 格式感知（保留代码块、列表等结构）
language: zh               # 目标语言
report_confidence: true    # 输出置信度报告

优秀实践

1. 生产环境只用L1-L2：L3-L4仅在实验或可接受信息丢失时使用
2. 锚点必提取：所有数字、人名、日期、关键引用都应作为锚点
3. 多次复用才划算：压缩本身消耗3-4次LLM调用，复用6-8次以上才回本
4. 单次使用不压缩：仅一次性使用的内容直接用原文
5. 格式感知开启：保留代码块、表格、列表的结构性，避免格式破坏
6. 不同模型验证：使用与压缩不同的模型重构，提高验证可靠性
7. 重要数据双校验：关键信息压缩后人工复核一次
8. 保留原文备份：压缩结果与原文并存，便于追溯

常见问题

Q1：压缩后内容为什么会有细节丢失？

A：这是语义压缩的本质特征，非位级无损。L1-L2级别丢失较少，L3-L4级别丢失较多.

Q2：迭代3轮仍未收敛怎么办？

A：说明当前压缩级别过激，应降级（如从L3降到L2），或调整锚点提取规则.

Q3：哪些内容严禁压缩？

A：医疗剂量、法律条款、金融数据、安全关键指令、合同条款等精确性要求高的内容.

Q4：压缩成本如何计算？

A：每次压缩消耗3-4次LLM调用（压缩+锚点提取+重构+验证）。复用6-8次以上才回本.

Q5：免费版为何限制L3-L4？

A：L3-L4属于实验性压缩，可靠性较低。专业版提供L3-L4访问，并配套高级验证策略.

Q6：压缩对哪些格式效果优秀？

A：自然语言文本压缩效果优秀（结构松散）；代码压缩效果最差（语法严格）；表格与列表居中.

错误处理

错误场景(现象)	可能原因	解决步骤	优先级
锚点不匹配	压缩过程中丢失	增加锚点提取严格度，重新迭代	P0
迭代不收敛	级别过激	降级至L1或L2	P0
压缩比不达预期	文本已较紧凑	接受当前压缩比，或尝试L3（专业版）	P1
格式被破坏	格式感知未启用	启用format_aware: true	P1
重构偏差大	模型能力不足	使用更强模型重构，或更换压缩模型	P2
置信度低	锚点数量不足	增加锚点类型（如添加专有名词）	P2

依赖说明

运行环境

• Agent平台：支持SKILL.md的任意AI Agent（Claude Code / Cursor / Codex / Gemini CLI等）
• 操作系统：Windows / macOS / Linux
• 存储：本地文件系统（用于保存压缩结果与原文备份）

依赖详情

依赖项	类型	是否必需	获取方式
LLM API	API	必需	由Agent平台内置LLM提供

API Key 配置

• LLM API Key：由Agent平台内置，无需单独配置
• 建议：压缩与重构使用不同模型，提升验证可靠性

可用性分类

• 分类：MD（纯Markdown指令驱动，无需exec命令行能力）
• 说明：基于Markdown的AI Skill，通过自然语言指令驱动Agent调用LLM完成压缩与验证

免费版限制

本免费体验版聚焦个人开发者提示词优化场景，限制以下高级能力：

• ❌ L3重度压缩（0.3x压缩比）
• ❌ L4极限压缩（0.15x压缩比）
• ❌ 批量压缩与流水线编排
• ❌ 自定义锚点策略与正则规则
• ❌ 跨格式智能策略（代码/JSON/YAML独立优化）
• ❌ 多模型并行验证
• ❌ 压缩质量量化报告
• ❌ 压缩历史与版本管理

解锁全部高级能力请使用专业版：file-compressor-pro