📄 中文摘要
在使用大型语言模型（LLM）应用时，许多用户面临着令牌浪费的问题。研究表明，用户的提示往往未能有效利用可用的令牌，导致信息传递不充分。通过对提示的优化，可以显著提高令牌的使用效率，从而改善 LLM 应用的整体表现。作者在之前的文章中提出了一种名为“上下文融合”的方法，旨在增强 LLM 应用的上下文理解能力，并在此基础上分享了自己的改进经验，帮助用户更好地利用 LLM 的潜力。
你的 LLM 提示可能浪费了 90% 的令牌。以下是我修复的方法。
📄 English Summary
Your LLM prompts are probably wasting 90% of tokens. Here’s how I fixed mine.
Many users encounter token wastage issues when using large language model (LLM) applications. Research indicates that prompts often fail to utilize available tokens effectively, leading to insufficient information transfer. By optimizing prompts, users can significantly enhance token efficiency, thereby improving the overall performance of LLM applications. The author previously introduced a method called 'context fusion' aimed at enhancing contextual understanding in LLM applications, and builds upon that to share personal improvements, assisting users in better leveraging the potential of LLMs.