Token疯狂消耗的根源：GPT‑6 Astra要抛弃全量强制规则

文章目录

• • 前言
  • 1. 模型越强，你的配置越像累赘
  • 2. 那些年我们写过的"防呆"规则，如今全是"防聪明"
  • • 2.1 Skill 描述太宽泛：它的阅读理解比你好
    • 2.2 AGENTS.md 的"每次必读"：比打卡还准时
  • 3. 官方教做人：把规则改成路由表
  • 4. Skill 的 description，就是你的路由器
  • • 4.1 Progressive Disclosure：先看目录，再翻书
    • 4.2 Superpowers 式哲学：1% 的可能也要上？歇了吧
  • 5. 强制测试、强制确认：越努力，越心酸
  • • 5.1 "Always run tests"：你养的是模型，不是考试机器
    • 5.2 "Ask before…"：确认范围写太宽，AI 变成复读机
  • 6. 总结：把维护 Prompt 当成换模型的一部分

P.S. 无意间发现了一个巨牛的人工智能教程，非常通俗易懂，对AI感兴趣的朋友强烈推荐去看看，
传送门https://blog.csdn.net/H1727548

前言

先把话说在前头：这届 AI 太听话了，听话到你有点害怕。

前两年我们写 Skill、写 AGENTS.md，那叫一个小心翼翼，生怕模型看不懂、记不住、不执行。现在好了，模型真的一句不落地执行了，你反而慌了。这就好比当年你教孩子"见人就喊叔叔"，现在他见了谁都喊叔叔，包括你领导。

说真的，"只要你学得够慢，你就不用学了"这句老话，现在有了新的注解：只要你规则写得够糙，模型就够你喝一壶的。

1. 模型越强，你的配置越像累赘

这个问题不是今天才冒出来的。GPT-5.6 Sol 时代大家就在喊，Anthropic 的 Fable 5 也提过。举个真实例子：Superpower 这套规则，在现在的强模型下基本就是负优化——除了多烧 Token，毫无用处。

翻译一下：你花大价钱请了个米其林主厨，结果非要在厨房贴满"先洗手、再切菜、别忘了开火"的便利贴。

OpenAI 给 GPT-6 Astra 的官方提示词指南也说得明明白白：这代模型指令遵循能力更强，所以更容易被 Skill、AGENTS.md 里的指令影响。模糊的、互相冲突的、范围过宽的规则，会让它提前刹车、反问用户，甚至直接把任务堵死。

说白了，以前的模型是"你说了它不一定听"，现在是"你说了它就往死里执行"。以前写规则是怕它不干，现在写规则是怕它太干。

2. 那些年我们写过的"防呆"规则，如今全是"防聪明"

2.1 Skill 描述太宽泛：它的阅读理解比你好

官方给了一个很典型的反面教材。有人给 PostgreSQL migration 的 Skill 写了这么一句描述：

Use when working with databases, queries, models, or persistence.

看着挺全的吧？全到没边了。你只是改一个 ORM 的 model，或者修一条 query，模型都可能觉得"这跟我的 migration 有关系啊"，然后二话不说把 Skill 拽出来。结果就是：Skill 被过度触发，规则、检查步骤、参考资料一股脑全塞进上下文。

你就想想这个画面：你让助理"把桌上东西收拾一下"，她理解成"把整个办公室重新装修一遍"。活干得是真卖力，账也是真难看。

官方推荐的写法是：

Use when adding or changing a migration, or reviewing its rollout.

看到了吗？把触发条件收紧到具体任务上，描述的是"什么时候该用我"，而不是"我什么都能沾点边"。这就跟电梯里贴"禁止吸烟"是一个道理——明确到点子上才有人看；你要是贴"请保持环境卫生、注意公共礼仪、做一个文明人"，那基本等于没贴。

2.2 AGENTS.md 的"每次必读"：比打卡还准时

再来看 AGENTS.md。很多人现在还留着这种上古神兽级规则：

Before every edit, read architecture.md, database.md, and deployment.md.

这条规则在过去确实有用——早期的 Agent 是真的傻，不会主动找项目文档，你只能逼它"每次都读"。可现在呢？模型真的会老老实实、认认真真、一丝不苟地反复执行。

你改一个字符串？好，三个 md 全读一遍。改第二次？好，又全读一遍。比上下班打卡还准时，比闹钟还可靠。结果就是：Token 哗哗地烧，进度刷刷地慢，上下文蹭蹭地涨，幻觉咣咣地来。

说难听点，这就像你给保洁阿姨写了个 SOP："进门先擦桌子，再拖地，然后擦窗。"阿姨严格执行了十年。直到有一天你换了智能扫地机器人，还在它身上贴这个 SOP——机器人每走一步都要停下来先把 SOP 读一遍。

3. 官方教做人：把规则改成路由表

那正确的姿势是什么？OpenAI 给的推荐版本长这样：

Use architecture.md for service boundaries, database.md for schema changes, and deployment.md when preparing a deployment.

说白了，就是建一张上下文路由表（context routing table）：

你看，人家是"按需加载"，你是"全量强制"。这中间的差距，差不多是自助餐和体检套餐的差距——自助餐想吃啥拿啥，体检套餐不管你需不需要，先给你来一整套。

这就是 OpenAI 一直念叨的 Harness 工程：给模型一套精准的上下文索引和项目约束。翻译成人话：别让模型做阅读理解，直接告诉它哪道题翻哪本书。

4. Skill 的 description，就是你的路由器

4.1 Progressive Disclosure：先看目录，再翻书

很多人对 Skill 有个误解：以为项目里放几十个 SKILL.md 没所谓，模型需要的时候自然会加载。天真。

Codex 用的是 progressive disclosure（渐进式披露）：启动时不会把 Skill 正文全塞进去，但模型必须知道有哪些 Skill、什么时候该选它们。也就是说，启动时模型拿到的是每个 Skill 的 name 和 description（Codex 还会带文件路径），只有当它判断某个 Skill 和当前任务匹配，才会去读完整的 SKILL.md。

你看，决定权全在 description 手里——description 就是 Skill 的引路人，是它的路由器。所以问题来了：如果路由表本身就是坏的，导航再准也没用。就像你手机里存了个"修车王"，备注写"什么都修"，结果家电饭锅坏了打过去，对面说：“我们是修车的。”

4.2 Superpowers 式哲学：1% 的可能也要上？歇了吧

再聊聊 Superpowers 这种"约束哲学"。它的核心 Skill 写得很激进：只要有 1% 的可能某个 Skill 适用，就必须调用；任何回复、澄清问题、浏览代码、检查文件之前，都得先做一轮 Skill 判断。

听着是不是很严谨？严谨到像强迫症。这种"宁可错杀一千，不可放过一个"的流程纪律，在现在的模型身上已经没什么必要了——反而会把模型从"高概率自然轨迹"硬推到一条规定轨迹上，还干扰它做判断的时机。

打个比方：你请了个老司机开车，人家本来开得又快又稳，你非要在副驾放一本三百页的《驾驶操作手册》，每过一个路口都喊一句"请先确认第一百三十七页第三条"。老司机没疯，你先疯了。

5. 强制测试、强制确认：越努力，越心酸

5.1 “Always run tests”：你养的是模型，不是考试机器

AGENTS.md 里还有一类经典规则：

Always run tests after every change.
Always verify your implementation.
Never finish until all tests pass.

以前写这些，是因为模型偷懒，测都不测就交差。可现在 Astra 本身就已经倾向于执行验证了，你再叠上这些规则——好家伙，你的 GPT 直接化身考试机器，疯狂写测试用例。GPT-5.6 Sol 的用户应该已经体验过这种"热情"了。

这就好比，你以前请了个懒员工，天天催他"做完记得检查啊"。现在换了个卷王员工，你还没来得及开口，他已经把测试跑了一百遍，还回头问你："要不要再跑一遍？“你盯着那串长长的日志，第一次理解了什么叫"幸福的烦恼”。

5.2 “Ask before…”：确认范围写太宽，AI 变成复读机

还有一类规则，以前也特别流行：

Ask before modifying additional files.
Ask before making architectural decisions.
Ask before running commands that change the repository.

在老模型上，这些规则确实能防止 AI 乱来。但在 Astra 上，它们反而会干扰模型的决策方向——它不知道该往哪儿走，因为每一步都要先问你。安全边界？不存在的，它只想确认、确认、再确认。

你想象一下：去餐厅点菜，服务员每上一道菜都问一次"您确定要这道菜吗"，连餐巾纸都要问"您确定需要吗"。饭没吃完，你已经想报警了。

6. 总结：把维护 Prompt 当成换模型的一部分

所以结论其实很简单：模型在变，你的 Skill、AGENTS.md、rules、system prompt 如果一直不变，那它们记录的就不是你的经验，而是上一代模型的缺陷。

一年前我们建立起来的这套东西，到了今天可能反而全是累赘。就像你去年囤的减肥药，今年体重没降，药效先过期了。

正确的姿势，是把 prompt maintenance 当成模型迁移的一部分：每次换模型，都重新评估一遍整个 prompt 体系，该删的删，该改的改，该路由的路由。

毕竟，模型都进化到会自己找文档了，你还给它留"每次必读"的便利贴——这到底是爱它，还是害它？

P.S. 无意间发现了一个巨牛的人工智能教程，非常通俗易懂，对AI感兴趣的朋友强烈推荐去看看，传送门https://blog.csdn.net/H1727548