7月24号，Anthropic在发布Opus 5的同一天，悄悄放了一篇博客。标题很朴素，「The New Rules of Context Engineering for Claude 5 Generation Models」。
内容只有一句话的核心信息，我们把Claude Code的系统提示词砍掉了超过80%，编码评测没有明显下降。
我读到这个的第一反应不是"厉害"，是"完蛋"。
因为我突然意识到，过去一年半我花在写system prompt上的时间，可能大部分都白费了。不是说那些prompt写得不好，而是对于足够聪明的模型来说，它们根本就不该存在。
Anthropic的Claude Code团队在文章里承认了一个非常诚实的事实，他们之前的系统提示词里充斥着互相矛盾的指令。一个地方说「适当留下文档注释」，另一个地方说「不要写注释」。Claude足够聪明，能通过上下文推断出用户到底想要什么，但它必须花额外的精力去思考这些冲突的指令到底哪个优先级更高。
过去两年所有人都在做的事情，说到底就是在给一个聪明人写越来越长的员工手册。
想想你自己的经历。你入职第一天，需要一本厚厚的员工手册告诉你什么能做什么不能做。但你干了三年之后，那本手册对你来说就是废纸。不是因为规则变了，是因为你已经内化了判断力。你看到一个代码文件，自然知道该不该加注释，该加什么密度的注释，不需要有人在你耳边念叨。
Claude 5代模型就是那个「干了三年的老员工」。
以前的做法是给Claude规则。「写代码时默认不要写注释。不要写多段落的文档字符串。不要创建规划文档除非用户要求。」这些规则在旧模型时代是必须的，因为不写规则，Claude就会疯狂输出无用的注释和文档。但新模型不需要了。新的指令只有一句，「写出来的代码要像周围的代码，匹配已有的注释密度、命名习惯和代码风格。」
从规则到判断力。从告诉它做什么，到让它自己看着办。
以前的做法是给Claude大量示例。「使用这个工具时，参考以下示例。」现在发现，给示例反而在约束模型的探索空间。 模型看了你的示例，就倾向于只在示例的邻域里活动，不敢跳出去。新的做法是设计更好的接口，让工具的参数名本身就能暗示用法。
以前的做法是把所有信息堆在系统提示的开头。现在的做法是渐进式信息加载，模型需要什么就去拿什么。Claude Code把验证和代码审查从系统提示里拿出来，做成了独立的skill，模型觉得需要审查时自己去调用。
以前的做法是在CLAUDE.md里塞满所有可能的规则和偏好当做记忆。现在有了自动记忆功能，模型自己决定什么值得记住。
从65000个token的系统提示，砍到13000个。性能不降反而更稳定。
所有这些变化都指向同一个方向，把人类从「AI的监工」这个角色里解放出来。不是说不需要人类了，而是人类的角色从「写详细的操作手册」变成了「设计好的工作环境和接口」。
我想起一个比喻——这就像从泰勒制工厂管理，进化到现代知识工作者管理。
泰勒制的核心是什么？把每一个工人的每一个动作都标准化、量化、监督。拧螺丝该用哪只手、抬多高、拧几圈，全写在手册里。这在工人技能有限、工作重复性高的时代是有效的。
但你试试对一个资深工程师用泰勒制管理看看。「每天写200行代码，每行代码不超过80个字符，每个函数不超过20行。」结果是什么？他要么走人，要么开始摸鱼式地凑行数。
过去两年prompt engineering圈子做的事情，就是对AI实行泰勒制管理。每一个动作都要写规则，每一个边界情况都要有指令覆盖，生怕模型自己做判断会出错。
当模型还不够聪明的时候，这是对的。就像实习生第一天来，你确实需要告诉他「commit之前先跑一遍测试」。
但当模型的判断力已经超过你写的规则能覆盖的范围时，继续堆规则就变成了一种负债。Anthropic在博客里承认，他们的系统提示里有些规则之间是矛盾的，模型要花额外的思考来调和这些矛盾。这些额外的思考不产生任何价值，纯粹是overhead。
你的规则越多，模型花在理解你的规则上的精力就越多，花在真正做事上的精力就越少。
而且就在Anthropic公布这个发现的同一周，有一篇关于Meta的报道在全网传开了。Meta的员工在30天内消耗了超过60万亿个AI token。一个员工做了个内部排行榜叫「Claudeconomics」，给公司最大的250个AI使用者排名。有些人为了争「Token Legend」和「Cache Wizard」的称号，让AI agent空转好几小时来刷token消耗量。
排行榜上线两天后被撤掉了。因为The Information报道了这件事，Meta觉得太丢人了。
SemiAnalysis的研究显示，大部分大公司现在已经开始引入AI使用预算了。有的公司给每个员工每月250美元上限，有的给2000美元。从无限畅饮变成按杯收费。
这两件事，Anthropic砍80%提示词和Meta 60万亿token，表面看毫无关系。一个是技术优化，一个是企业管理丑闻。
但我觉得它们是同一枚硬币的两面。
它们共同指向一个转变，AI应用的核心瓶颈，正在从「怎么让模型听话」变成「怎么别让模型做太多无用功」。
这是两个完全不同的问题。
第一个问题的解法是堆规则、堆提示词、堆示例。模型不听话？加更多约束。模型输出不好？再多写几条规则。token消耗大？管它呢，结果好就行。
第二个问题的解法是精简、是信任、是设计更好的接口而不是写更长的手册。模型已经听得懂了？那就别重复了。模型自己能判断？那就别越俎代庖了。token是钱？那就别让模型浪费精力在理解你的规则上。
我在自己的AI工作流里也体验到了同样的转变。
年初的时候我给Claude写的CLAUDE.md文件快2000行了。每一个细节都有规则覆盖，从代码注释风格到git commit message的格式到PR描述的模板。每次Claude做了我不喜欢的事，我就加一条规则。
结果是什么？Claude变得畏手畏脚。它花大量精力去确认自己没有违反我的某一条规则，而不是把精力花在理解我到底想做什么。有些时候规则之间还冲突了，Claude就停下来问我，「你的规则说不要写注释，但这段代码确实需要解释，请问该怎么办？」
我不得不承认，那些规则里有至少一半是我在某一次不愉快的体验之后气头上写的，放在更大的上下文里根本站不住脚。
升级到Opus 5之后我做了个实验。把CLAUDE.md砍到400行，只留了真正的硬性约束和项目特定的知识。代码风格、注释密度、文档格式这些东西全删了，让模型自己看着现有代码来判断。
结果比之前好。 不是因为那些规则不重要，是因为模型看200行已有代码学到的风格判断力，比我写2000行规则传递的信息量更大。
Anthropic在博客里把这个叫做「unhobbling Claude」，解放Claude的束缚。他们用了一个挺妙的说法，以前的做法是避免最坏情况，比如Claude删了用户的文件。但为了避免最坏情况而写的规则，在大部分正常场景下都是多余的负担。新一代模型的判断力已经足够好，不需要这些「保险」了。
模型的判断力在进化，但我们的管理方式还停在上一个时代。
这对做AI应用的人来说，有三个可以立刻行动的东西。
第一，审计你的系统提示词。 把每一条规则拿出来问，如果我把这条删掉，模型会怎么做？如果它做的跟规则说的一样，那这条规则就是冗余的。Anthropic发布了一个叫claude doctor的命令，可以自动帮你精简提示词和skill文件。
第二，从写规则转向设计接口。 与其告诉模型「使用这个工具时按照以下12步操作」，不如把工具的参数名起好，让用法不言自明。与其在系统提示里写「搜索前先确认关键词」，不如把搜索工具的参数从query改成confirmed_search_keywords。
第三，把记忆和偏好从CLAUDE.md里拿出来。 现代的AI助手都有自动记忆功能了。你的CLAUDE.md应该只放项目特定的「陷阱」，就是那些光看代码和文件结构绝对看不出来的坑。比如「这个仓库的types全部放在一个文件里，不要分散」，这种违反直觉的约定才需要显式写出来。
再说一个更大的感受。我觉得AI行业正在经历一次隐秘的范式转移。不是模型层面的，是应用层面的。
过去两年最值钱的技能是prompt engineering，是context engineering，是「怎么跟AI说话让它听懂」。这些技能不会消失，但它们的重要性在快速下降。就像会打字曾经是一个值钱的技能，现在只是一个基本素养。
未来最值钱的技能是判断力。 不是你指导AI的判断力，是你评判AI产出质量的判断力。是你决定什么任务该交给AI、什么任务不该交的判断力。是你在AI给出四个方案时选出最好那个的判断力。
从写手册到做判官。从泰勒制管理者到知识工作的教练。
这个转变已经发生了。Anthropic砍掉80%系统提示词的那一刀，是一个明确的信号。它在说，别再花时间教AI怎么做事了。它已经会了。花时间想清楚你到底要什么结果吧。
谢谢你看我的文章，我们，下次再见。
/ 作者：青玉白露
评论区
欢迎留下你的看法，支持匿名评论。
你的评论会公开展示，建议填写便于交流的昵称，并尽量提供有信息量的反馈。