去年有个团队在Cursor上烧掉了每月1.2万美元的API账单，而他们的代码库其实只有15万行。钱去哪了？全喂给了那些AI根本用不上的import语句和注释。
这不是个例。当你对着Cursor说"修一下登录bug"时，后台正在发生一场荒诞的资源错配：AI被塞了几十个文件，却对你真正的数据库结构、中间件逻辑、测试模式一无所知。它是在95%的盲区里做决策。
Entroly的创始人Juyterman1000（GitHub用户名）把这个困境拆解成了一个数学问题。不是"找最相似的文件"，而是"给定token预算，什么是最优的代码片段组合"。
用信息论给代码"称重"
他们的解法借用了香农熵（Shannon entropy，信息论中衡量信息不确定性的指标）。每段代码被打上一个分数：复杂逻辑、独特算法得高分；样板代码、注释、重复import得低分。
公式看起来唬人：H(X) = -Σ p(xᵢ) · log₂(p(xᵢ))。但核心直觉很简单——AI需要的不是更多文本，而是更多不确定性。一段if-else套三层的业务逻辑，比一百行自动生成的CRUD代码更值得占用上下文窗口。
代码不是孤立的。auth.py依赖auth_config.py，API路由调用models.py里的函数。Entroly把这些依赖关系织成一张图：当一个片段被选中，它的上下游节点会获得相关性加成。
这变成了图约束背包问题（graph-constrained knapsack）——理论上NP-hard，但真实代码库的图结构通常足够稀疏，让求解变得可行。
拉格朗日乘数法砍预算
真正精巧的部分是对token预算的硬性约束。他们用了KKT条件配合二分搜索，寻找最优的阈值th*：
f(th) = Σᵢ σ((sᵢ − th) / τ) · tokensᵢ − B = 0
30步迭代后得到精确的拉格朗日乘子，再贪婪填充硬预算。同一个sigmoid函数σ(·/τ)既出现在前向选择，也出现在REINFORCE策略梯度的反向传播里——训练时和推理时的数学结构完全一致，没有常见的"训练-测试不匹配"问题。
结果是一种分层视图：AI能"看到"全部500个文件，但重要的那些给完整源码，剩下的只给摘要。就像人类程序员扫一眼项目结构，然后把火力集中在关键模块。
自进化的上下文选择
Entroly还埋了一个反馈回路。每次AI生成响应后，系统会评估这次上下文选择的效果——生成的代码是否被采纳？后续编辑幅度多大？
这些数据回流到模型里，让上下文选择策略随时间自动优化。不需要人工调参，不需要写规则，系统自己学会"这个项目里，测试文件通常比文档更重要"或者"这个团队的utils目录其实全是核心逻辑"。
安装只有两行：pip install entroly，然后entroly go。MIT协议，代码在GitHub上。
他们的基准测试数据很直白：78%的API成本下降，同时代码生成的采纳率反而上升。省下来的钱和提上去的效率，来自同一个源头——停止让AI在信息垃圾堆里翻找答案。
这个案例戳中了一个被忽视的真相：大模型上下文窗口的军备竞赛（200K、1M、2M token）解决的是"能不能塞进去"的问题，但"塞什么"才是更关键的杠杆点。Entroly用优化理论把这个杠杆做成了可量化的工程。
热门跟贴