Adola：让AI API成本直降70%的语义压缩工具，支持多语言SDK

对于大量使用 AI API 的站长和开发者来说，Token 成本一直是一个痛点。近期，一款名为 Adola 的工具引起关注——它通过语义压缩技术，号称可以在不损失回答质量的前提下，将发送给大模型的上下文压缩约 70%。

Adola 是什么

Adola 是一个 SaaS 产品，核心是其自研的 Rose 1 压缩模型。它的原理是在将 Prompt 发送给大模型之前，先通过 Rose 1 对输入进行语义级别的压缩，去除冗余信息，保留关键内容。

简单来说，就是帮你在发给 Claude/GPT 之前先把 Prompt “瘦身”一遍。

实际效果

Adola 在官方文档中展示了 6 个基准测试的结果：

• AIME（数学）：压缩后准确率无下降
• GPQA Diamond（研究生级问答）：准确率无下降
• ARC-Challenge（科学推理）：准确率无下降
• CommonsenseQA（常识问答）：准确率无下降
• GSM8K（小学数学）：准确率无下降
• GDPval-AA：最多 2% 准确率下降

6 项测试中有 5 项准确率完全没有下降，只有一项下降了约 2%。典型的压缩比例是 只保留 30% 的原始内容，即压缩 70%。

使用方式

Adola 提供多语言 SDK，安装和使用都很简单：

Python

pip install adola

from adola import Adola

client = Adola(api_key="adola_live_...")

result = client.compress(
    input="你的长文本上下文...",
    query="你想要问的问题",
    compression={"target_ratio": 0.3},
    include_spans=False,
)

compressed = result["output"]   # 压缩后的文本
receipt = result["receipt"]     # 压缩收据（可用于审计）

JavaScript/TypeScript

npm install adola

Go 和 Rust 的 SDK 也已发布。此外，Adola 还提供 cURL 接口，可以集成到任何语言中。

适合什么场景

• Agent 追踪压缩：AI Agent 的执行日志通常很长，压缩后可以降低后续处理成本
• RAG 检索结果压缩：检索到的文档片段可能有很多冗余，压缩后发送给模型更高效
• 提示词网关：作为 API 中间层，在转发请求前自动压缩
• 客服 Copilot：长对话历史的压缩，保持上下文的同时降低 Token 消耗

定价和限制

Adola 是按调用量收费的 SaaS 产品。具体的定价信息建议查看其官网的定价页面。需要注意：

• 压缩本身会引入一次额外的 API 调用（压缩模型），所以只有当上下文足够长时，节省的 Token 费用才能覆盖压缩成本
• 对于非常短的 Prompt（几百 Token 以内），压缩意义不大
• 压缩是有损的——虽然基准测试显示准确率几乎不变，但在实际业务场景中的效果需要自己测试验证

快速体验

有兴趣的开发者可以在 adola.app/signup 注册账号，获取 API Key 进行测试。建议先用自己的真实业务数据做对比测试，确认压缩前后的回答质量差异。

来源：Adola 官网 | Adola 文档