上下文工程的规则变了：该删掉什么

Anthropic 删除了自家 AI 指令的 80% 。 什么也没坏。

你为 AI 项目写下的指令，很可能也背负着同样的冗余，而这份指南就是帮你把它们清理掉的审计方法。

Anthropic 删除了自家 AI 指令的 80% 。

什么也没坏。

Anthropic 工程师 Thariq Shihipar 刚刚分享了公司为最新模型进行构建时得到的经验。

他们移除了 Claude Code 系统提示词中超过 80% 的内容，在代码评测中却没有测出任何损失。

如果 Anthropic 自己的指令里都存在这么多冗余，你的指令大概率也一样。不是因为你写得不好，而是因为这些指令原本是为一个后来已经被替换的模型写的。

其中一个发现比其他发现都更重要：过了某个临界点，继续增加上下文不再有帮助，反而会开始造成伤害。

知道该删掉什么，本身就是一项值得掌握的能力。

这套审计方法适用于任何带有指令输入框、记忆设置或文件上传功能的助手。不需要写代码。

内容包括

→ 为什么你的指令正在变得过时，以及三个独立团队发现了什么

→ 今天就能运行的「四层上下文审计」框架

→ 「删除测试」：针对每条指令的四个问题

→ 4 个可以直接复制粘贴、替你运行审计的提示词

→ 最常见的几类错误

→ 这套审计不适用的场景

为什么你的指令正在变得过时

上下文工程，指的是管理模型在你的提示词之外所能看到的一切内容。

你的长期指令、助手对你的记忆、上传的文件，以及它能够调用的工具，如今都是你在不更换工具的前提下，能够控制的、影响输出质量最大的几个杠杆。

Shopify CEO Tobi Lütke 最早将其描述为：为任务提供所有必要上下文，让大型语言模型有可能解决这个任务。几天后，Andrej Karpathy 也认可并推动了这个说法。

Anthropic 在 2025 年 9 月正式提出了「上下文工程」这一概念。

不到一年后，他们却删掉了自己提供的大部分上下文。

他们用来描述这次删减的词是「解除束缚」（unhobbling）。这些约束原本是为了阻止旧模型做出愚蠢的行为。

新模型的判断力更强了，于是这些约束不再起到保护作用。它们现在只是模型在开始处理真正任务之前，必须先绕开的指令。

Anthropic 在自己的对话记录中发现了这一点。

其中一条规则说，在适当情况下留下文档；另一条规则又说不要添加注释。

两条规则出现在同一个请求里。模型必须先解决这个冲突，才能开始工作。

你的设置里几乎肯定也存在类似问题：不同月份添加的内容，正在悄悄地彼此争论。

他们也不是唯一得出这个结论的人。一个共同的模式正在浮现，三个独立团队从不同方向走到了同一个结果。

Chroma 测量了底层行为。在 2025 年 7 月 14 日发表的研究中，Kelly Hong 、 Anton Troynikov 和 Jeff Huber 测试了 Anthropic 、 OpenAI 、 Google 和阿里巴巴旗下的 18 个大型语言模型。

他们发现，不同模型使用上下文的方式并不相同，而且随着输入长度增加，模型表现越来越不稳定。

Manus 则是在工具层面构建生产级 Agent 时撞上了同一堵墙。他们不断扩大的工具箱，并没有让 Agent 更有能力，反而让它更难做出正确选择。

问题各不相同，结论却一致：对于前沿模型来说，更多上下文并不意味着更好的输出。

这也引出了一个经常被忽略的部分。

上下文窗口在扩大到超过一百万个 token 的同时，最佳实践却变成了尽量少用上下文。

最大的限制因素是注意力。

四层上下文审计

Anthropic 发布了他们如今构建上下文时遵循的六个变化。下面这套审计，针对其中与现有指令相关的三个变化展开。

大多数人只审计四层中的一层，这就是为什么单独清理指令通常很难解决问题。

这四层按照「你能看到它们的程度」排列。第 1 层是你亲自写下的文件，第 4 层则是屏幕上完全不会告诉你的那一层。

第 1 层：长期指令

它是什么：每一次请求都会一同发送出去的文字。

包括 ChatGPT 的自定义指令、 Claude 的项目指令、任何 API 工具里的系统提示词、 CLAUDE.md 文件，以及自定义 GPT 或 Gem 中的指令字段。

为什么问题会越来越严重：这一层只会不断增长。

助手做了一件让人恼火的事，你就加一行规则来阻止它，而这行规则会永远留在那里。没有人会定期打开文件，把已经不需要的内容删掉。

一年里不断追加的小修正，最后会形成一份自相矛盾的文档。

该删什么：

→ 告诉模型要有帮助、准确、全面或专业的指令，因为这些描述的是模型的默认行为

→ 只在某种你已经不再遇到的场景中才会触发的规则

→ 任何两条相互矛盾的规则中，其中你实际上并不想要的那一条

该保留什么：具体而出人意料的内容。

你的团队把客户对象称为 Account，尽管数据库表叫 users 。你需要使用 ISO 格式的日期，因为财务系统会拒绝其他格式。

Anthropic 自己的建议是：把文字用在工作中那些具体的陷阱上，而不是用来描述模型通过观察就能推断出的显而易见事实。

清理之后你会注意到：助手不再在两种风格之间犹豫。

因为它只需要遵循一条指令，而不是在两条互相竞争的指令之间做选择，所以回答会更加果断。

第 2 层：记忆

它是什么：助手在不同会话之间自动保存的、关于你的信息，即使你没有主动要求它保存。

为什么问题会越来越严重：这些内容不是你亲自写的，所以你也不会主动检查。它会在后台不断积累，并进入你的每一次对话。

在哪里找到它：

→ Claude：进入 Settings，然后选择 Capabilities，再进入 Memory 。条目按类别分组，每一条都可以单独编辑或删除。

→ ChatGPT：进入 Settings，然后选择 Personalization，再进入 Manage memories 。每条已保存的信息都有自己的删除控件。

该删什么：

→ 来自你已经离开的工作、已经上线的项目，或已经停止使用的工具的信息

→ 你已经改变的偏好

→ 几乎表达同一件事的重复条目

清理之后你会注意到：助手不再提起那些你已经不再做的工作。

过时的记忆比没有记忆更糟，因为模型会把它当成当前信息。

第 3 层：知识与文件

它是什么：上传的文档、已连接的云盘、项目知识库，以及检索系统会搜索的参考资料。

为什么问题会越来越严重：在这一层，文件数量很容易让人产生「越多越全面」的感觉。

十份文档看起来比两份更严谨，于是没人删除任何东西，不同版本就这样并排堆在一起。

该删什么：

→ 首先删除已经被取代的版本。因为如果六月草稿和最终版本同时存在于同一个项目中，模型没有可靠办法知道你指的是哪一份

→ 几个月前为某一个问题上传、如今已经不再需要的文档

→ 只相差一段文字的近似重复文档

第一项代价最大。模型有时会自信满满地根据过时版本回答。

该保留什么：你会反复引用的资料的当前版本。

如果一个项目需要大量参考资料，就按主题拆成多份独立文档，而不是放进一个超长文件。这样，助手只会在具体任务中调取所需内容，这正是这套审计方法本身所遵循的原则。

清理之后你会注意到：回答「差不多对、但并不完全正确」的情况变少了。

大多数检索失败，原因不是系统推理得不好，而是找错了文档。这也是这一层最容易带来明显质量提升的原因。

第 4 层：工具与连接器

它是什么：所有能让助手采取行动、而不只是回答问题的东西。

包括连接器和集成、自定义 GPT Actions 、插件、 Claude skills 、 MCP 服务器，以及任何你点击启用过的功能。

为什么问题会越来越严重：启用工具只需要点击一下，却没有任何机制提醒你定期检查。人们积累连接器的方式，就像积累浏览器扩展一样。

为什么它的成本高于其他层：每个启用的工具都会在每次请求中向模型描述自身，即使你还没有提出任何任务。

十个未使用的连接器，意味着每次对话都有十段工具描述在争夺模型的注意力。

这一层的成本之所以隐蔽，是因为屏幕上没有任何东西会告诉你它正在发生。

它造成的失败：Manus 作为一款完整的 Agent 产品，发现不断增长的工具箱会降低性能。

模型会在本该直接回答时调用工具，或者在两个功能相近的工具之间做出错误选择。

如果你的助手开始对那些仅凭已有知识就能回答的问题进行搜索，这一层很可能就是原因。

该删什么：

→ 你过去一个月没有使用过的任何工具

→ 两个完成相同工作的工具中的一个，保留你更信任的那个

重新启用只需要几秒钟，所以删除它几乎没有成本。

该保留什么：每周都会使用的工具，以及工作流程所依赖的工具。

清理之后你会注意到：助手调用工具的次数减少了，而且更经常选择正确的工具。

删除测试

冗余不会安静地待在那里。它会表现为含糊其辞的回答、错误的工具选择，以及被部分忽略的指令。

目前，长度还不是你的主要问题。相关研究是在数万 token 的规模上测到性能下降的，远远超过指令输入框里的内容长度。

今天的问题是冲突。两条指向不同方向的规则，无论总长度是多少，都会让模型额外消耗推理工作。这也是 Anthropic 举的例子关注矛盾，而不是字数的原因。

所以，针对每一条指令，问自己四个问题。

1. 它现在还成立吗？

这是为更旧或更弱的模型写的吗？其中是否提到了一个已经发生变化的版本、限制或能力？

2. 它和其他内容冲突吗？

四层中的任何一层里，是否有另一条指令指向不同的方向？

冲突成本最高，因为模型必须先解决冲突，才能开始处理你的工作。

3. 一个能力合格的新员工需要被告知这件事吗？

如果一个有能力加入团队的人本来就应该知道，那么模型也知道。这会是你最快删掉的一类内容。

4. 删除它之后，什么会出问题？

说出它具体阻止了哪一种失败。如果你说不出来，它就不是承重结构。

四个问题中，只要有一个答案指向删除，就可以删。保留具体、当前且出人意料的内容。

其中有两类内容需要用不同方式处理，在开始删除之前值得先说明。

显而易见的指令和已经失效的冲突可以立即删除，因为你能直接在页面上看出问题。至于你怀疑是过时的临时补丁的内容，先移除一周；如果质量下降，再恢复它。

用 4 个提示词替你运行审计

下面 4 个提示词可以端到端地运行这套审计。

第一个找出冲突。第二个区分真实偏好与过时的临时补丁。第三个揭示哪些指令实际上从未产生作用。第四个把保留下来的内容从「过程」改写成「结果」。

按顺序在任意助手、任意项目上运行它们。完成之后，你的助手所依据的指令就会指向同一个方向。

提示词 1：冲突查找器

从这里开始。它会找出彼此争夺控制权的指令，这是成本最高、也最不容易被发现的问题。

你只需要粘贴长期指令，就能得到一份按优先级排列的冲突清单。

纯文本
你是一名专门查找书面指令矛盾的编辑。

背景：下面的文字是我提供给 AI 助手的长期指令集合。我在一段时间内不断向其中添加内容，却从未删除过任何内容。

你的任务：找出每一对可能在同一个任务上把行动拉向不同方向的指令。

请保持全面。先完整阅读整个集合，然后逐条将每条指令与其他指令进行对照，包括那些在文本中相距很远的指令。

对于每一处冲突：
- 引用两条指令。
- 描述一个它们会发生碰撞的具体场景。
- 判断我最可能希望哪一条指令优先。
然后列出那些属于重复、而不是冲突的指令对。

如果某条指令过于含糊、无法判断，请说明这一点，并解释不清楚之处。

输出：
1. 冲突，按最常触发的顺序排列。
2. 重复的指令对。
3. 最应该优先解决的一处冲突，并用一句话说明原因。

我的指令：
[粘贴到这里]

你会得到什么：通常是 3 到 6 个真正的冲突，其中大多数是在相隔数月的时间里写下的。

通过删除你并不想要的那条指令，先解决排名最靠前的冲突。再添加第三条规则来调解争论，只会让文件变成现在这个样子。

提示词 2：过时性检查

它会把你真正想要的内容，与过去为了弥补某种缺陷而写下的内容区分开。

偏好应该保留。用于弥补已经不存在的限制的临时补丁，才是你会删除的大头。

注意，这个提示词会让模型去识别临时补丁，而不是让模型声称自己具备某种专业知识。告诉模型要寻找什么，比告诉它应该成为什么更有效。

纯文本
你正在检查一组指令，寻找已经不再需要的规则。

背景：下面的指令是在一段时间内为一个 AI 助手写下的。其中一些表达的是真实偏好，另一些则是为了弥补模型过去经常出现的问题，例如长篇啰嗦、编造事实、忽略格式，或跳过推理步骤。这些补偿性规则往往在问题消失很久之后仍然留在那里。

你的任务：将每一条指令归类为「偏好」或「临时补丁」。

「偏好」描述的是我希望事情如何完成，即使面对一个完美模型，它仍然重要。

「临时补丁」是为了阻止某种具体失败而存在的。常见形式包括：要求模型逐步思考，要求模型不要编造内容，限制长度以阻止它啰嗦，要求它使用一种它现在本来就会使用的格式，或为了强调而重复某条指令。

针对每一条临时补丁，说明它原本是为了阻止什么失败。
请逐条处理，不要只做概括。

如果你无法判断某种失败是否仍会发生，请标记为「不确定」，并说明需要进行什么测试。

输出：包含以下列的表格：指令、类型、它曾经阻止的失败，以及你的建议（保留、测试删除或不确定）。

我的指令：
[粘贴到这里]

你会得到什么：一张分为「保留」和「测试」两类的表格。

一次只测试一条「测试」栏里的指令。删除一条后，正常使用助手几天；如果质量下降，就把它放回去。

提示词 3：显而易见性测试

它会让助手报告：你的哪些指令真的改变了它的行为。

大多数人都会惊讶于自己的指令集合中，有那么多内容只是描述了模型本来就会做的事。

你就是接收以下指令的 AI 助手。

背景：我想知道下面哪些指令改变了你的输出，哪些只是描述了你默认会做的事。

你的任务：据此，诚实地判断每一条指令。
将每条标记为：

- 改变行为，并说明有它和没有它时，你的输出会有什么不同。

- 没有影响，意思是你默认就会这样做。

- 不清楚。

即使某条指令听起来很重要，也请诚实地标记「没有影响」。诸如全面、准确、专业、有帮助等一般质量要求，通常属于这一类。

如果一条指令混合了两种内容，请将其拆开，分别判断每一部分。

输出：
1. 三份清单。
2. 一份只包含会改变行为的内容的精简指令集合。
3. 你会删掉原始内容的百分比。

我的指令：

[粘贴到这里]

你会得到什么：三份清单、一份精简版本，以及一个百分比。

把精简版本当作候选方案，而不是直接替换的版本。采用之前先阅读一遍，因为模型有时会把真正的约束误判成默认行为。

提示词 4：从规则到结果

这是审计之后的改写步骤。

它会把逐步执行的流程规则转换为对最终结果的描述。这正是 Anthropic 对自家提示词所做的改变。

你是一名技术文档编辑，专门把流程文档转换为结果规格说明。

背景：下面的规则逐步告诉 AI 助手应该如何完成某件事。当前模型只要理解目标，就能自行处理路径，因此我想直接描述结果。

你的任务：弄清楚这些规则试图产生什么结果，然后直接描述这个结果。

请将替代版本写成三部分：完成后的输出是什么样子、它必须包含什么，以及什么情况会使它变得错误。
保留每一条真实约束，包括涉及安全、权限、法律要求或事实准确性的约束。这些内容必须继续明确写出。

如果你无法弄清某条规则的用途，请将它单独列出并询问我。

输出：
1. 用来替代原有规则的结果描述。
2. 你删除了什么，以及为什么删除是安全的。
3. 任何用途不清楚的规则。

我的规则：
[粘贴到这里]

你会得到什么：一组更短的指令，描述的是目的地，而不是路线。

Anthropic 自己的改写，就是目前最清晰的例子。

他们原来的提示词列出了一些关于注释和文档的流程规则。替代版本告诉模型：写出的代码应该像周围的代码，匹配现有代码的注释密度、命名方式和惯用风格。

一句话就覆盖了原规则没有预料到的各种情况。

最常见的错误

错误 1：把「更少上下文」误解为「不要上下文」。

无关且相互冲突的上下文会造成伤害。相关上下文仍然能带来很大帮助。

修正方法：判断删减是否成功，要看输出是否变差，而不是看文件缩短了多少。

错误 2：只审计一次。

这个问题会持续积累，因为每一次恼人的表现都会催生一条新规则，却没有任何机制触发删除。

修正方法：把审计安排进日程。每季度一次，或者每当你依赖的模型进行重大更新时做一次。

错误 3：删掉具体说明，却保留含糊规则。

人们会删掉看起来琐碎的详细技术说明，却保留听起来很重要的泛泛指导。

顺序应该反过来。详细说明是模型无法独自推断出来的唯一部分。

修正方法：在手动删除之前先运行提示词 3 。

错误 4：每犯一次错就增加一条规则。

这正是制造问题的习惯。一次糟糕的输出，就变成一条永久的新规则。

修正方法：增加规则之前，先检查是否是现有指令导致了这种行为。相比缺少规则，规则之间的冲突会制造更多错误。

这套审计不适用的地方

有四种情况，你应该保持现状，不要动它们。

小型模型和本地模型。上面所有内容都以当前的前沿模型为前提。

较小的模型、较旧的模型，以及大多数运行在你自己机器上的模型，仍然需要脚手架。如果你要审计其中一个，应当在你实际使用的模型上测试删除结果，而不是相信实验室研究中的发现。

上周刚搭建的设置。审计解决的是长期积累问题，而新的设置还没有积累内容。此时审计，只是在反复质疑你仍然记得自己为何做出的决定。

安全、法律和权限约束。凡是规定助手不得做什么、什么事情需要审批，或它不能访问什么的内容，无论模型能力变得多强，都必须保持明确。这些不是脚手架。

你已经满意的输出。如果助手已经能产出你想要的结果，这套审计只是可选维护，而不是修复问题。等质量下降，或模型更新之后再运行即可。

从这里开始

十分钟，三步。

1. 把提示词 1 复制到保存着待审计指令的那个助手里。

2. 在提示词写着「粘贴到这里」的位置，放入你的长期指令：ChatGPT 自定义指令、 Claude 项目指令，或 CLAUDE.md 文件。

3. 阅读它找出的冲突，然后删除排名最高的那处冲突中的一方。选择你并不想要的那条指令。

第一次运行就是这些。

从冲突开始是正确的选择，因为它是成本最高的问题，也是你仅仅阅读自己的文件无法看见的问题。

两条指令都是你写的。在写下它们的那一天，两条看起来都很合理。

真正造成麻烦的是它们之间的碰撞，而这个碰撞会表现为你已经习以为常的输出问题。所以它可以在那里存在一年，而你始终没有注意到。

完成这一步后，再沿着各层向外检查。下一层检查记忆，因为你从来没有审阅过它。

你的指令不是关于工作的一切知识记录，而是模型无法独自推断出的那一小组内容。

你已经有了审计框架和四个提示词。剩下唯一的变量，是你会在自己的设置上运行它们，还是继续为一个已经不存在的模型支付那些过时指令的成本。

保存这篇文章。下一次你所依赖的模型进行重大更新时，再运行一次审计。冗余会在那时重新出现。

随着相关指导发生变化，我会继续更新这套方法。

关注 @free_ai_guides，获取更新 ❤️

订阅我的免费 newsletter，每周获得一个 AI 超能力：http://aisuperpowers.substack.com

来源：https://x.com/free_ai_guides/status/2082463119742320825