随着 Claude Opus 5 和 Claude Fable 5 等新一代模型的上线，Anthropic 工程师在社交媒体上透露了一个重磅消息：团队已经为 AI 编码助手 Claude Code 删去了超过 80% 的系统提示词（system prompt）。令人惊讶的是，在精简提示词后，内部的编码评测结果显示其性能完全没有受到任何损失。
过去，开发者们乐此不疲地进行提示词工程（Prompt Engineering）、Skill 构建和循环调用设计，试图用极其繁琐的规则将 AI 严密地框起来。然而，随着底层模型能力的跨越式提升，复杂的提示词反而成了累赘。例如，当系统提示词要求“适当补充注释”，某个微调的 Skill 又写着“不要添加注释”，而用户的即时指令则是“按照原有风格修改”时，过时的冲突规则不仅占用了宝贵的上下文窗口，还增加了模型的决策成本。在最新的 Claude 5 系列模型中，模型自己就能敏锐地判断在何种场景下该保留、新增或删除注释。
为了让开发者更好地适配这些更聪明的模型，Anthropic 团队提出了六个核心的思路转变：
1. 从强加规则到相信模型的判断力。 以前为了防止 Agent 犯错，我们会写满诸如“完成后必须验证”、“非必要不加注释”等死板规则。如今，开发团队将其简化为一句轻量级要求：“按照周围代码的写法工作，匹配原有的注释密度、命名和习惯”。模型完全可以自主对齐现有项目的风格。
2. 精简工具调用的示例。 过去为了让 #Claude 学会使用特定的工具，我们需要在提示词里提供大量的 Step-by-Step 演示样例，但这往往把 AI 的思维限制死。新做法是只在接口（schema）中严格定义状态（如 pending、in_progress、completed）和限制条件，让模型凭借自身的推理能力去自主寻找最佳调用路径。
3. 按需动态加载（Progressive Disclosure）。 团队改变了每次任务都把“代码审查”和“结果验证”等长篇大论全盘塞给模型的做法。他们将这些说明拆解为独立的 Skills，只有当 Claude 触发特定任务时，才通过类似 ToolSearch 的搜索器动态拉取对应的 CLAUDE.md 或 Skill.md 分册，大幅节省了初始上下文。
4. 剔除重复的上下文干扰。 以前为了保险，开发者会在系统提示词和工具说明书里重复提及同一条规则。但在新一代模型中，这种冗余不仅多余还会产生干扰，直接删掉系统提示词里的重复部分、仅在工具层面保留即可。
5. 自动化记忆。 过去需要用户手动敲击特定指令将关键信息写进 CLAUDE.md，现在 Claude 可以自动保存当前工作相关的背景信息，并在后续相关任务中实现无缝的跨会话调用。
6. 提供更具表现力的参考材料。 新模型不再局限于阅读 Markdown，而是可以直接且更精准地解析 HTML 原型、真实运行的代码片段、自动化测试用例，甚至是专门的评分标准表（Rubric）。开发者还可以引入第二个专门负责质检（QA）的 AI，根据评分表对主 AI 的产出进行严格核对。
此次 Claude Code 大幅精简 80% 的系统提示词，标志着 AI Agent 生态正加速从“提示词工程驱动”向“模型原生（Model-Native）驱动”演进。在早期阶段，由于基础 LLM 推理能力不足，业界不得不依靠繁琐的手写规则和死板的工作流框架（如 LangChain、CrewAI 的早期设计）来充当“外骨骼”。而当模型步入 Claude 5 时代，其原生的上下文感知与动态规划能力，让那些僵硬的硬编码约束反而成了阻碍智能涌现的噪音。未来的 Agent 开发者，核心竞争力将不再是编写“完美提示词”的魔术师，而是转变为优秀的“接口与协议设计师”。通过拥抱如 MCP（Model Context Protocol） 等开放标准，将精力放在提供清晰的 API Schema、高质量的上下文按需加载机制以及多 Agent 协同质检体系上，才是构建下一代高弹、高自主性 AI 智能体的正解。
