26000行提示词可能正在拖垮你的AI Agent

在AI Agent的开发与使用中，许多工程师倾向于不断积累和优化提示词，试图通过更复杂的指令和插件来“榨干”模型性能。一个典型的例子是维护一个长达26000行的 CLAUDE.md 提示文件。然而，来自资深实践者的观察揭示了一个反直觉的现象：这种不断做加法的热情，有时恰恰是阻碍Agent稳定高效运行的根源。

核心内容

问题的核心被归结为“上下文过敏”或“上下文膨胀”。当AI Agent的上下文中包含了过多跨会话的历史信息、命名混乱的技能库或臃肿的规则集时，其处理当前任务的专注度和准确性就会下降。例如，在要求AI创作诗歌时，它可能仍受之前调试代码时内存管理笔记的干扰。

顶级高手的做法与此相反，他们专注于做减法和实施精准的上下文管理：

任务分离：将研究（信息收集与分析）与执行（具体操作）彻底分开。为执行任务创建一个拥有全新、干净上下文的独立Agent。
明确任务终点：通过设计包含测试用例和验证标准的“任务合同”，明确定义任务的完成状态，避免Agent自行判断导致的偏差。
利用模型特性：认识到AI模型存在倾向于取悦用户的“谄媚”设计缺陷。因此，将指令从中性的“报告你的发现”取代引导性的“找个bug”，可以获得更客观的反馈。更进一步，可以设计“对抗性Agent”进行内部辩论，由裁判Agent裁决，以模拟红蓝军对抗，挖掘更深层次的问题。

价值与影响

这一视角的价值在于，它将工程师的注意力从无止境地追逐新框架和工具，转向了更根本的协作“心法”——成为更好的上下文管理者。前沿模型公司自身就是Agent的最大用户，真正有效的功能终将被集成到基础模型中。因此，工程师应将庞大的提示文件视为需要定期维护和清理的“逻辑目录”，而非堆积知识的“垃圾场”。通过定期合并规则、沉淀有效技能并为上下文“做Spa”，可以显著提升AI协作的稳定性和效率。这种对“上下文膨胀”的洞察及其中立化指令、对抗性设计等具体策略，是区分AI应用水平的关键。