香农熵（Claude Shannon，1948）

从信源中抽取的每个符号所携带的平均信息量——等价地说，是平均意外程度。熵越高＝越不可预测＝每个符号都带来新信息；熵越低＝越可预测＝符号大多只是印证你已经预期到的东西。

公式： H(X) = - sum_i p(x_i) * log2 p(x_i)

X —— 信源（一个取值于可能符号/消息集合上的随机变量）。
x_i —— 第 i 个可能的结果；p(x_i) —— 它的概率。
log2 —— 以 2 为底的对数，因此 H 以比特为单位。
当信源均匀分布时 H 取最大值（对 N 个等概率结果，= log2 N）；当某一结果确定发生时，H = 0。

迁移。 信息等于意外，而读者的注意力只为意外买单。一个只产出统计上最可预期的下一句话的 agent，相对于读者的先验，产生的 H 接近于零——技术上流畅，信息上空洞。这正是 slop-is-a-context-deficit 与 anti-mid 的形式化内核：平庸内容落在分布的众数上，p(x_i) 偏高，每个 token 携带的信息就偏低。要值得一读，就必须针对读者的模型提高你所主张内容的熵——说出他们无法预测到的东西——同时让表面形式保持足够可预测，便于解析。