从大脑记忆到提示词压缩：一条被高估的类比，和一个被低估的定位00 结论给 AI 写长 prompt 效果差，通常不是因为「说得太多」，而是因为关键信息被淹没。于是有了 prompt compression：在 token 预算内，保留信息量最大的子集。这件事有两条路：用小模型算困惑度（LLMLingua 系列），或者用纯统计量查表（本文路线）。本文的立场：纯统计路线在通用 benchmark 上打不过训练过的压缩器，这一点没有争议；但它在一个特定生态位上不可替代——需要确定性输出、可审计、且要与 prefix cache 共存的静态上下文压缩。定位没说清楚，整套方案就会看起来像在和 LLMLingua-2 正面竞争，而那是必输的。01 大脑怎么判断「什么重要」：一个类比，不是一个推导先声明边界：下面五个机制是真实的神经科学发现，但从它们推不出任何具体的压缩公式。它们提供的只是「重要性是多因素加权的」这个结构性直觉。任何声称从脑科学「推导」出压缩算法的说法，都是过度声称。第一层：多巴胺奖赏预测误差Schultz 等人 1997 年发现（Science, 275:1593），中脑多巴胺神经元编码的不是奖赏本身，而是实际奖赏与预期奖赏之差。严格形式是时序差分误差：δ_t = r_t + γ·