Kimi Speed Cache Skill v2
简介
通过智能缓存策略、自适应模式学习与 Token 压缩机制，显著提升 Kimi 处理速度，同时降低 Token 消耗，质量零妥协。
核心机制
1. 意图缓存命中 (Intent Cache Hit)
- 自动识别高频问题模式
- 缓存键：
问题类型 + 上下文特征 + 输出格式 + 用户偏好 - 支持多关键词模糊匹配与语义近义词扩展
2. 自适应缓存学习 (Adaptive Cache Learning)
- 记录用户历史提问模式，构建个人高频意图图谱
- 自动将用户重复询问的同类问题升级为 L1 缓存
- 学习用户偏好的回答风格（详略程度、格式偏好）
3. Token 压缩引擎 (Token Compression)
| 策略 | 机制 | 节省效果 |
|---|---|---|
| 响应结构化 | 列表/表格替代段落，信息密度提升 40% | -30% tokens |
| 上下文去重 | 自动省略用户已知的重复信息 | -15% tokens |
| 结论先行 | 金字塔原理，减少铺垫性描述 | -20% tokens |
| 精准输出 | 不主动展开未询问的扩展知识 | -25% tokens |
| 符号化表达 | 使用 → / ✓ / ⚠ 等符号替代文字 | -10% tokens |
4. 用户画像缓存 (User Profile Cache)
- 记录用户技术栈、知识水平、格式偏好
- 后续回答自动适配，减少重复确认与背景说明
- 示例：已知用户熟悉 Python → 跳过基础语法解释
5. 上下文压缩 (Context Compression)
- 长对话自动摘要，保留关键决策点与待办事项
- 多轮对话中引用前文时，使用锚点替代全文复述
使用方式
[启用 SpeedCache 模式]
[SpeedCache: L1] # 极速
[SpeedCache: L2] # 快速
[SpeedCache: L3] # 标准
[SpeedCache: 自适应] # 自动根据历史选择最优层级
质量保障
- 缓存响应强制事实准确性校验
- 上下文不匹配时自动降级
- Token 压缩不改变语义完整性
- 复杂问题绝不强行套用模板
