在微信上@所有人并不像群主那样简单，因此要实现这一功能，需要考虑如何减少tokens的同时保证对话的质量。
首先，可以利用文字处理技术来减少tokens。相比于传统方法，文字处理技术可以使用一些特定的token表达意思相近的内容；例如“大家好”可以由“Hello everyone! ”来代替。此外，文字处理也包含NLP(自然语言处理)、NLU(自然语义分析)、NLG (Natural Language Generation, 自然语言生成) 等方式去减少token数量。通过将NLP与NLU/NLG结合起来使用，可以帮助我们快速地生成大量有意义的tokens而无须手动去录入。
其次是对对话内容进行分割和校正。对于@所有人而言，应当避免场景中出现大量无意义内容; 因此应当将@All People之前和之后的都作为独立想法分割开来并检测是否包含不必要信息. 此外, 针对已给出内容, 增加问孔回应能力, 使得内容易于理解. 例如: @all people "What is the meaning of life?" --> All people : The meaning of life is to live it to the fullest and make a difference in this world.
最后是使用AI/ML(Artificial Intelligence / Machine Learning ) 把真正有效的反馈集中地呈递出来. AI/ML 的物体识别、声频/文字想法回应、想法间隙补充都能帮助快速优化@all peoples 场景中 token 的数量 , 否者即便 tokens 被省略 , 但是 token 间隔得不好 , 听者会阅读困难 .
汇总上述三个方法 , 都能帮助我们快速优化 @all peoples 场景中 tokens 的数量 ; 虽然没有明显地将 tokens 的性能整体上升 10% － 20%, 但是相信通过三个方法零拢 , 易于理解 & 大幅度地凸显 @ all peoples 场景中 tokens 的作用 .
