Anthropic 在 Claude Opus 5 中删减超 80% 系统提示词，引发行业热议。本文结合最新研究，揭示上下文工程的新范式：从“规则堆砌”转向“短内核+按需调页+证据治理”。深入剖析提示词精简背后的注意力预算、渐进式披露与治理逻辑，为 AI 产品设计提供全新视角。

7 月 24 日，Anthropic 在发布 Claude Opus 5 的同时披露：Claude Code 面向新一代模型删掉了超过 80% 的系统提示词，内部编码评测没有可测量的下降。

很多人把它理解成“提示词不重要了”或“越短越好”。但把 Anthropic 的实践与近一年的研究放在一起看，结论其实更深：

删掉的不是上下文，而是对所有任务永久生效的静态上下文；迁移出去的，是控制权。

过去，我们试图在任务开始前，用一堵文字规则墙预防所有错误。现在，控制正在被拆到 skills、工具接口、权限、记忆、测试、rubric 和 verifier 里：模型负责判断“怎么做”，系统负责约束“不能做什么”，证据负责证明“是否做成”。

洞见一：上下文窗口是容量，不是有效注意力。能装下，不等于能用好

一项入选 EMNLP 2025 Findings 的研究，在数学、问答和代码任务上测试 5 个模型：即使模型已经完美拿到全部相关证据，输入越长，表现仍会下降 13.9%—85%；把无关内容换成空白、甚至屏蔽掉，下降依然存在。

Chroma 对 18 个模型的受控实验也发现：上下文越长，模型表现越不稳定；一个干扰项就能拉低结果，四个干扰项会继续放大损失。2026 年 8 月更新的一项长程搜索研究还发现一种更隐蔽的失败：premature termination——模型远未耗尽窗口，就提前放弃搜索，给出带犹豫的错误答案。

这说明每多写一条规则，消耗的不只是 token，还有三种更稀缺的预算：注意力预算、冲突消解预算和继续探索的信心预算。

洞见二：无关规则不是“没有帮助”，而可能是负资产

ICLR 2026 的 AGENTS.md 研究很值得警惕。研究者在多种 coding agent 和模型上比较了“无上下文文件”“模型生成的上下文文件”和“开发者编写的上下文文件”。结果是：任务成功率没有稳定提升，但推理成本普遍增加 20% 以上；agent 会更广泛地遍历文件、执行更多测试、走更多步骤。

最反直觉的地方在于：强模型之所以会被冗余规则拖累，恰恰因为它更认真地执行了这些规则。 一条看似保险的要求，会变成新的子目标；十条彼此重叠的要求，会变成一组需要同时满足的约束；当系统提示词、项目规范和用户请求冲突时，模型必须先解决“听谁的”，再解决任务本身。

所以，“规则越多越安全”只在规则彼此独立时成立；现实里，规则会组合、冲突并产生执行税。

洞见三：渐进式披露解决的是路由问题，不是“多做几层目录”

2026 年 7 月首个渐进式披露受控实验给出了一个重要修正：面对单本书时，强 agent 自己就会完成“定位—读取”，披露结构几乎不增加智力；面对 20 本书的资料库时，扁平索引才开始显著生效。在英文开放问答中，扁平披露把准确率从约 0.257 提升到 0.462，同时把每题 token 使用量从 6830 万降到 3250 万。

但更深的分层没有继续变好，反而在一些设置里把准确率从 0.9126 拉低到 0.6398。原因很简单：每多一层路由，都要常驻更多描述；层级本身也会重新制造上下文压力。

论文的原话很精准：“Progressive disclosure buys context, not intelligence.” 渐进式披露买到的是更干净的工作台，不是更聪明的模型。好的设计不是把知识藏得更深，而是用最轻的索引，让模型以最少的中间步骤找到正确证据。

洞见四：“删提示词”与“让上下文持续进化”并不矛盾

斯坦福、SambaNova 与 UC Berkeley 的 ACE 研究，反而让 agent 的 playbook 持续增长，并在 agent benchmark 上平均提升 10.6%，在金融任务上提升 8.6%。关键区别是：它不反复重写整份上下文，而是把经验拆成带结构的条目，通过 Generator—Reflector—Curator 进行局部、增量更新。

研究观察到，整份重写会产生“context collapse”：一份 18,282 token、准确率 66.7 的上下文，在下一轮被压成 122 token，准确率跌到 57.1，甚至低于未适配基线。问题不是上下文太长，而是知识在反复总结中被抹平。

所以真正的新架构不是“极简提示词”，而是：

短内核 + 大外存 + 按需调页 + 增量写回。

永远驻留的系统提示词要短；可检索的知识库可以很大；当前任务只加载必要工作集；新经验不能靠整篇重写，而要带来源、版本和适用条件做局部更新。Claude 5 的变化，更像是把上下文做成了操作系统的虚拟内存，而不是简单删文案。

洞见五：AI 系统的治理，正在从“事前指令治理”迁移到“事后证据治理”

这才是 80% 事件最重要的含义。模型越强，越不需要我们规定每一步“怎么走”；但模型行动范围越大，系统越需要明确权限、状态、回滚、验证和审计。

LangChain 在保持 GPT-5.2-Codex 不变的情况下，只改提示词、middleware、自验证和循环检测，就把 Terminal-Bench 2.0 从 52.8% 提升到 66.5%。Harness-Bench 的 5,194 条执行轨迹也显示：强模型确实更能容忍不同 harness，但在数据分析、工具调用、状态维护和工作区修改这类任务里，执行框架的差异仍然最明显。

因此，未来高质量 agent 的原则不是“完全放手”，而是：

在方法上给自由，在边界上做硬约束，在结果上要求可验证。

对于我们自己的 SOP、培训手册和 AI 工作流，这意味着五个具体动作：

1. 把常驻规则压成最小内核：只保留目标、不可逆边界、升级条件和真正无法从环境推断的 gotcha。
2. 把场景知识拆成按需模块：什么任务触发什么 skill，而不是让所有人、所有任务先读完一本百科全书。
3. 把“必须正确”改造成可执行约束：权限、schema、测试、lint、校验器能机器执行，就不要只写成一句“请务必注意”。
4. 把 SOP 的中心从步骤改成 Evidence Contract：交付物是什么、证据在哪里、通过标准是什么、失败如何回滚。让 agent 自己选择路径，但必须拿证据过 Gate。
5. 给每条规则做消融实验：删掉它，评测是否下降？如果没有，就删除；如果只在特定场景有用，就移到 skill；如果属于安全底线，就下沉到权限或 verifier。

所以，真正被淘汰的不是 prompt engineering，而是一个旧假设：只要把组织里所有经验、担忧和例外都写进提示词，AI 就会更可靠。

下一代上下文工程的核心，不是“还能补哪条规则”，而是判断：

这条要求究竟应该留在提示词里，做成按需知识，变成工具接口，落成权限边界，还是写进一个能验证的gate？

从“写更多规则”到“设计更好的反馈回路”，这才是 Claude 5 带来的真正范式转移。