模型越聪明，为什么 Prompt 和 Skill 越要做减法？

Claude Code 删除80%系统提示词后，AI工作流效率反而提升。GPT-6 Astra 对指令更敏感，旧Prompt与Skill规则正从帮助转为负担。随着模型能力跃升，复杂指令不再必要。本文结合实测数据与专家观点，拆解哪些指令该留、哪些该删，教你为AI工作流科学瘦身。

模型能力跃升如何让Prompt从帮助变负担

模型能力跃升让Prompt从帮助变负担。过去需要详细指令才能让模型完成任务，如今模型自身理解力已大幅提升，过多提示反而干扰输出。

旧规则正从帮助变为负担。早期Prompt设计围绕弥补模型短板展开，包含大量背景说明、角色设定和输出格式要求。这些内容在能力弱的模型上必不可少，但在新模型面前成了多余累赘。

复杂指令不再必要。模型能力跃升后，简单描述即可触发高质量响应。冗长Prompt不仅增加输入长度，还可能引入矛盾信息，导致模型在执行时产生困惑。

实测显示，精简后的Prompt在多数场景下表现更稳定。专家观点认为，这种转变标志着Prompt工程从“教模型做事”转向“让模型自主做事”。

Claude Code 删除80%系统提示词的实测影响

Claude Code 删除80%系统提示词后，AI工作流效率反而提升。这一具体案例成为模型能力进步的直接证据。

删除前，Claude Code 的系统提示词包含大量固定模板、角色定义和约束条件。删除80%后，剩余提示词仅保留核心目标描述。

实测结果显示，简化后的系统提示词让模型响应速度加快，输出质量也更符合预期。原本担心删除后模型会失去方向，但实际表现超出预期。

这一操作直接挑战了传统Prompt越多越好的观念。Claude Code 的实践证明，在能力足够强的模型上，大幅精简提示词能带来正面效果。

GPT-6 Astra 对指令更敏感的新特点

GPT-6 Astra 对指令更敏感。这一新特点改变了Prompt的使用方式。

GPT-6 Astra 能准确捕捉指令中的细微差别。简单一句话就能让模型理解复杂需求，而不需要层层铺垫。

对指令更敏感意味着模型不再需要大量示例和解释。过去必须提供的few-shot示例在GPT-6 Astra上常常适得其反，干扰模型自主判断。

新模型对Prompt的要求发生变化。专家观察到，GPT-6 Astra 在面对精炼指令时表现最佳。过长或过于具体的Prompt反而限制了模型的创造性发挥。

这一特点让Prompt设计重点从“全面”转向“精准”。用户需要学会用更少的词传达更多意图。

哪些指令该保留、哪些该删除的拆解

拆解哪些指令该留、哪些该删成为当前Prompt优化的核心。

该保留的指令主要包括核心目标描述和必要约束条件。这些内容直接关系到任务方向，不能完全省略。

该删除的部分集中在冗余背景信息、过多角色设定和详细输出格式模板上。这些曾经的标准做法如今成了负担。

保留标准以是否直接服务于最终输出为判断依据。任何不直接影响结果的描述都应考虑删除。

删除标准则聚焦于是否重复模型已具备的能力。模型已经能自主处理的环节，无需再通过Prompt反复强调。

专家建议采用逐步删除法，先移除一类指令，观察效果后再决定下一步。这种拆解方式能避免一次性改动过大带来的风险。

为AI工作流科学瘦身的实践方法

教你为AI工作流科学瘦身，需要一套可操作的步骤。

首先记录当前使用的完整Prompt和Skill组合。然后逐条评估每部分对输出的实际贡献。

接下来进行A/B测试。对比完整版和精简版在相同任务上的表现，用数据说话。

保留那些能显著提升输出质量的指令，删除那些效果不明显的部分。逐步迭代，直到找到最优精简程度。

在工作流层面，将瘦身后的Prompt标准化，形成新的模板。定期复盘模型更新后的表现，及时调整保留和删除清单。

实践证明，这种科学瘦身方法能让AI工作流更高效，同时降低维护成本。

实测数据与专家观点如何支撑减法策略

结合实测数据与专家观点为减法策略提供了坚实支撑。

实测数据来自Claude Code 删除80%系统提示词前后的对比。效率提升的具体指标验证了减法的有效性。

GPT-6 Astra 的指令敏感性测试也提供了数据支持。不同长度Prompt下的输出质量评分显示，精简版得分更高。

专家观点强调，模型能力跃升改变了人机交互范式。旧Prompt与Skill规则正从帮助变为负担，这一判断得到业界广泛认同。

这些证据共同指向同一个结论：在当前和未来的模型上，Prompt和Skill都需要做减法。这种策略不是权宜之计，而是适应模型进步的必然选择。

通过实测数据验证效果，用专家观点解释原理，为AI工作流科学瘦身提供了可靠路径。

相关阅读

• 老板错怪IT删文件 拒绝学一键修复
• Codex 6.0 编码虽强，上线却把我逼疯