当LLM重学电报体：1866年的省字智慧回归AI时代

从电报时代到大模型：一种古老文体的意外复活

在19世纪的电报网络中，每个字符都意味着真金白银的费用。为了压缩成本，人们发展出一套被称为"电报体"（Telegraphese）的书写风格——删除冠词、省略连接词、去掉一切非必要的修饰成分，只保留能传递核心语义的关键词。"ARRIVE TUESDAY STOP BRING MONEY"（周二到 带钱）这样的句子，正是那个按字收费年代的产物。

一篇在 Hacker News 上引发讨论的文章《Write Like It's 1866: LLMs Relearn Telegraphese》提出了一个有趣的观点：在大语言模型（LLM）主导的今天，这种被遗忘了一个多世纪的紧凑文体，正以新的形式重新变得有价值。只不过这一次，驱动因素不再是电报线路的物理成本，而是 token 计费、上下文窗口限制与推理效率。

Token 经济学：历史押着相同的韵脚

电报按字收费，LLM 按 token 计费。这个表面上的巧合背后，隐藏着相同的经济逻辑：当传输或处理信息的每个单位都有明确成本时，人们自然会倾向于用最少的符号传递最多的意义。

现代 LLM 的 API 调用中，输入和输出 token 都会计入费用。对于需要高频调用模型的应用场景——批量数据处理、Agent 的多轮推理、长文档分析——冗余的措辞会直接转化为更高的账单和更慢的响应。这意味着，无论是写给模型的 prompt，还是期望模型产出的回答，"惜字如金"都重新成为一种有现实回报的技能。

换句话说，1866 年的电报员为了省钱而学会的省字技巧，和今天的 prompt 工程师为了省 token 而优化提示词，本质上面对的是同一类约束问题。历史没有重复，但押着相似的韵脚。

Token 是大语言模型处理文本的基本单位，但它并不等同于字符或单词。主流模型（如 GPT 系列）使用字节对编码（BPE）等子词分词算法，将文本切分为长度不等的片段：常见词往往对应单个 token，而罕见词或非英语词汇则可能被拆成多个 token。粗略来说，英文文本中 1 个 token 约对应 4 个字符或 0.75 个单词；中文则因字符密度更高，通常 1 个汉字对应 1-2 个 token。这意味着中文在 token 经济上天然具有一定优势。当前主流 API 的计费同时涵盖输入（prompt）和输出（completion）token，且输出 token 的单价往往高于输入。对于需要大规模批量调用的业务场景，prompt 中每节省 20% 的 token，在百万次调用规模下可带来可观的成本差异。

模型为何能理解"省略式"表达

一个关键问题是：删掉冠词、连接词和修饰语之后，LLM 还能准确理解意图吗？

答案在很大程度上是肯定的。Transformer 架构依赖上下文中的关键 token 来构建语义表征，冠词（a、the）和部分功能词携带的信息量相对较低，去掉它们通常不会显著损害模型对核心语义的把握。模型在海量语料上训练后，具备了相当强的"语义补全"能力——它能从"ARRIVE TUESDAY"中还原出完整的意图，正如人类读者看到电报也能自然理解。

这也解释了为什么精简的 prompt 往往不会降低输出质量，反而可能因为减少了噪声而让模型更聚焦于任务本身。当然，这里存在一个微妙的平衡：过度压缩可能引入歧义，让模型误判上下文关系。电报体的智慧恰恰在于——删掉可以推断的部分，保留不可省略的部分。

Transformer 架构通过自注意力机制（Self-Attention）处理序列中每个 token 与其他所有 token 的关系，因此模型对语义的提取并非依赖严格的语法完整性，而是对关键语义 token 之间关联的计算。这与传统的规则型 NLP 系统有根本区别——后者依赖完整句法树，缺少主语或谓语就可能解析失败。预训练语料中本身就包含大量非标准表达，包括推特/微博的缩略句、技术文档的要点列表、代码注释等，这让模型对"不完整"输入具备较强鲁棒性。然而值得注意的是，不同模型对省略式输入的容忍度存在差异，经过大量对话微调（RLHF）的模型由于训练分布更接近自然口语，对极度压缩的指令式输入反而可能不如基础预训练模型稳健。

对 Prompt 工程的实际启示

如果把电报体的思路迁移到实际使用中，可以提炼出几条可操作的原则：

优先保留实词，谨慎删减功能词。 名词、动词、关键限定词是语义骨架，不应省略；而部分冠词、礼貌性措辞、冗余的过渡句往往是可压缩的对象。

用结构替代叙述。 列表、键值对、符号标记等结构化表达，往往比完整句子更紧凑，也更利于模型解析。这与电报用 STOP 标记句子边界的做法异曲同工。

在歧义风险高的地方保留冗余。 当删减会导致指代不清或逻辑关系模糊时，适当保留连接词反而是更经济的选择——因为一次误解带来的重试成本，可能远高于省下的那几个 token。

一个值得警惕的边界

说一下，这篇文章在 Hacker News 上的讨论量相对有限（15 分、5 条评论），其观点更多是一种富有启发性的类比，而非经过系统验证的工程结论。电报体与 LLM prompt 之间的相似性确实存在，但二者的约束机制并不完全等价：电报的成本是线性的字符数，而 LLM 的表现还受到训练分布、指令遵循能力等多重因素影响。

过度追求极简也可能适得其反。模型在自然语言语料上训练，对于过于反常的"压缩语法"未必有良好的泛化。真正的技巧不在于机械删字，而在于理解模型需要什么信息、不需要什么信息——这需要对任务和模型行为的双重判断。

结语：约束催生表达的艺术

从电报到 LLM，技术形态天差地别，但"在约束下高效表达"这一命题始终如一。1866 年的电报员和今天的 AI 使用者，都在同一个问题上打磨技艺：如何用最少的符号，让对方（无论是人还是模型）准确理解你的意图。

当我们重新学习像电报时代那样写作时，本质上是在重新发现一条古老的沟通法则——信息的价值，往往不在于你说了多少，而在于你省略了什么。