AI编程范式重构：为何要每半年清空一次系统提示词与技能库？
提示词的快速老化与“清空”策略
在人工智能技术以指数级速度迭代的今天，软件开发的底层逻辑正在经历一场静默却深刻的重构。长期以来，开发者习惯于构建庞大且精细的系统架构，依赖复杂的单元测试和固定的指令集来确保稳定性。然而，随着大语言模型（LLM）能力的跃升，这种基于固定假设的工程模式正面临严峻挑战。Claude Code 创始人 Boris Cherny 提出了一种极具颠覆性的观点：每六个月，应当彻底清空系统提示词（System Prompts）、技能文件（Skills）和挂钩机制（Hooks），重新审视模型的本能。
这一建议并非主张完全放弃结构化指导，而是基于对模型“生物性”特征的深刻洞察。每一代新模型在训练数据、对齐策略和推理逻辑上均有显著差异，导致上一代模型适用的指令规范，在新一代模型中可能不仅冗余，甚至成为能力发挥的桎梏。例如，Claude Code 在发布 Opus 5 版本后，团队删除了超过 80% 的系统提示词。这一“断舍离”操作并非因为原有指令无用，而是因为 Opus 5 展现出了超越预期的自主推理能力，许多原本用于纠正模型行为的硬性约束，现已被模型的内生能力所替代。通过消融实验（Ablation Study），团队逐行移除指令并评估效果，发现移除冗余提示词后，模型在特定任务中的表现反而更加敏锐和灵活。
这种策略的核心在于承认模型不是静态的代码库，而是具有“性格”和进化能力的智能体。开发者需要从“指令编写者”转变为“行为引导者”，通过观察模型在实际任务中的表现，动态调整交互策略。这种“清空再重建”的过程，实质上是一种持续的科学实验，旨在剥离过时的先入之见，寻找人与模型协作的最优解。
模型能力的非线性跃迁：从单点突破到长期运行
在清空提示词的背后，是模型底层能力的非线性跃迁。Opus 5 等新一代模型不仅提升了单次任务的准确率，更在长期运行稳定性和安全性上取得了突破。最显著的变化之一是模型能够在无需额外脚手架或特定“Goal”命令的情况下，连续运行数周甚至数月，自动分解复杂任务并执行。这种能力打破了传统智能体需要人工干预才能维持对话或任务的局限，使得自动化编程从“辅助工具”向“自主工程师”转变。
安全性方面，现代模型对提示词注入攻击（Prompt Injection）的抵抗力显著增强。早期模型容易受外部指令干扰，执行潜在有害操作。而新模型通过结合可解释性研究（如观察神经元激活状态）与多层分类器防护，构建了三重安全机制。即使面对精心设计的恶意指令，模型也能识别并拒绝执行，甚至在某些情况下不会向用户反馈被攻击的事实。这种内在的安全对齐，减少了开发者在提示词中嵌入复杂防御机制的需求，进一步支持了“简化提示词”的策略。
此外，模型在复杂代码库理解和跨语言重写方面展现出惊人潜力。例如，Bun 项目团队曾让模型将基于 Zig 编写的 JavaScript 运行时重写为 Rust，这一过程涉及十万行代码和复杂的内存管理机制。过去，这需要资深工程师耗时一年以上的努力；而在 Opus 5 等模型的辅助下，通过动态工作流协调数千个智能体，该任务在十余天内完成并进入生产环境。这不仅是速度的提升，更是任务复杂度的质变，证明了模型已具备处理系统性工程问题的能力。
动态工作流与测试时计算：智能体编排的新范式
随着任务复杂度的提升，单个智能体的局限性日益凸显，智能体间的协作与编排成为关键。Claude Code 引入的动态工作流（Dynamic Workflows）提供了一种高效的解决方案。不同于传统的并行执行或线性循环，动态工作流允许模型根据任务进展，自主决定下一阶段的智能体数量、类型和任务分配。这种机制类似于函数式编程中的“代数”，支持智能体的顺序执行、并行处理和递归扩展。
动态工作流的本质是“测试时计算”（Test-Time Compute）的优化。传统上，模型的性能提升依赖于训练时的计算资源投入，而在推理阶段，计算资源的利用率往往被低估。动态工作流通过实时生成和调度智能体，极大提高了推理阶段的计算效率。例如，在处理大规模代码库重写时，模型可以启动第一批智能体完成初步重构，接着启动第二批智能体进行验证和总结，随后再扩展第三批智能体处理边界情况。这种自适应的扩展机制，使得模型能够在有限的资源下，完成超大规模的任务。
与此同时，Loops 和 Routines 机制为持续性的自动化维护提供了支持。通过设置定时任务，模型可以定期清理死代码、更新测试覆盖率或统一抽象定义。这些自动化流程不仅减少了人工干预，还确保了代码库的持续健康。Anthropic 内部已部署数十个此类 Routines，涵盖 iOS、Android 和桌面应用等多个平台，每天自动执行数百次智能体任务，处理以往需要数十名工程师参与的工作量。这种“模型自维护”的模式，标志着软件运维进入了一个全新的自动化时代。
能力诱导缺口：如何发现模型未被开发的价值
在模型能力快速进化的背景下，一个新兴概念“产品能力缺口”（Product Overhang）引起了广泛关注。这一概念指出，当前模型拥有大量尚未被产品形态充分释放的能力。许多开发者习惯于将模型限制在传统的交互模式中，如单行代码补全或简单的问答，而未尝试赋予模型更高的自主权。例如，早期编程产品多聚焦于局部代码生成，而忽视了模型在整体架构设计和文件级重写方面的潜力。
“解除束缚”（Unhobbling）策略的核心，是识别并填补这一缺口。开发者应给予模型比当前预期更复杂的任务，提供高层级的目标约束，而非具体的步骤指令。通过观察模型在自由探索中的表现，可以发现其隐藏的能力。例如，Anthropic 团队偶然发现，通过连接 OpenCV 工具，Opus 5 能够生成高质量的图像。这一能力并非专门训练所得，而是模型在特定工具组合下自发展现的“涌现”行为。
这种“能力诱导”要求开发者具备实验精神，勇于尝试看似超出现有模型能力边界的工作。通过不断试错，开发者可以挖掘出模型在数据分析、系统设计、甚至创意生成等领域的巨大潜力。关键在于，不要预设模型的限制，而是通过实际运行和验证，动态调整任务定义。这种经验主义的方法，比传统的理论推演更能适应快速变化的模型生态。
从理论科学到经验科学：工程师的思维转型
随着编程任务的逐渐自动化，工程师的核心竞争力正在发生转移。传统的计算机科学理论依然重要，但其在实际工程中的应用方式已发生变化。Boris Cherny 强调，现代编程已从一门依赖固定规则的理论科学，转变为一门基于实验和反馈的经验科学。工程师需要放下对“完美指令”的执念，接受模型的不确定性和创造性。
对于学习者而言，建议从实际项目出发，通过解决具体问题来掌握编程技能，而非单纯沉迷于抽象理论。例如，中学生通过编写 BASIC 程序在计算器上实现数学求解器，这种以目标为导向的学习方式，能更有效地培养工程直觉和解决问题的能力。同时，工程师应注重培养产品设计、商业判断和用户沟通等软技能，将技术能力与市场价值相结合。
在 AI 智能体时代，真正的差距不再在于谁能写出更复杂的代码，而在于谁能更有效地定义问题、验证结果并整合多智能体协作。开发者需要学会“反学习”，摒弃旧有模式中的僵化思维，拥抱模型的自主性。通过定期清空指令、观察模型行为、动态调整策略，工程师可以构建出更具适应性和创新力的智能系统。这种以经验为基础、以实验为导向的思维转型，将是未来软件构建者拉开差距的关键所在。
结语：在不确定性中寻找稳定性
在 AI 技术快速迭代的浪潮中，唯一稳定的是变化本身。每半年清空一次系统提示词和技能库，并非对过往经验的否定，而是对模型进化规律的尊重。通过剥离冗余指令，开发者能够更清晰地看见模型的本真能力，从而设计出更加高效、灵活的智能体协作系统。
未来的软件构建，将不再是人与机器的单向指令传递，而是两者在动态交互中的共同进化。工程师需要从细节的实现者，转变为宏观的架构师和验证者。通过动态工作流、能力诱导和经验科学的方法，我们可以最大化模型的潜能，解决以往被认为不可企及的复杂工程问题。在这个过程中，保持开放的心态、勇于实验的精神以及对工具本质的深刻理解，将是每一位开发者在智能时代立足的核心竞争力。