鬆綁：Anthropic 刪掉八成的 AI 指令，它反而變聰明了——新一代 AI 的使用規則
Anthropic 在 Claude 5 世代做了一件反直覺的事：把自家工具的系統指令刪掉八成以上，效能不但沒掉，還變好了。這篇把官方新版「脈絡工程」的六條規則翻成一般人聽得懂的話——為什麼規則寫越多 AI 越笨、什麼該交給它判斷、什麼才值得白紙黑字寫下來。你跟 AI 的相處方式，可能該從「管小孩」換成「帶資深同事」了。
你有沒有想過一個問題：你給 AI 的那些落落長指令——「回答要簡潔」「不要用條列式」「程式碼要加註解」——它到底有沒有在看？更慘的可能是：它不但在看，還被這些指令綁住了手腳。
先講結論：新一代 AI 的問題，常常不是你講得不夠多，而是你講得太多。
2026 年，Anthropic 發表了一篇官方文章，講他們為 Claude 5 世代模型改寫「脈絡工程」（context engineering）規則的心得。裡面最震撼的一個數字是：他們把自家工具 Claude Code 的系統指令刪掉了八成以上，效能不但沒有下降，反而變好了。
他們給這件事取了一個名字，叫 unhobbling——直譯是「解開絆腳繩」。hobble 原本是指綁在馬腳上、防止牠亂跑的繩子。意思是：那些指令原本是為了防止上一代模型犯錯而寫的，但新一代模型早就不犯那些錯了，繩子留著，就只剩下絆腳的功能。
這篇把那篇文章的重點翻成一般人聽得懂的話。就算你不寫程式，只要你有在用 AI 工具、有設定過自訂指令、或你的公司正在訂 AI 使用規範，這六條規則都跟你有關。
為什麼規則越多，AI 越笨
先想像一個場景：公司來了一位資深新同事，能力很強。你交接的方式有兩種。
第一種：給他一本三百頁的 SOP，從「email 開頭要寫敬啟者」到「檔案命名要用底線」鉅細靡遺。第二種：給他一頁紙，上面只寫公司的幾條紅線和特殊慣例，其他的說「你是專業的，照你的判斷做」。
第一種交接出來的同事，會花大量心力在「對照手冊」上——每做一件事都先想「手冊有沒有規定這個」，而不是想「這件事怎麼做最好」。第二種同事，才會真正動腦。
規則的成本有兩層：檯面上是它佔掉記憶空間（每一條都在付脈絡稅）；檯面下更貴的是，它把 AI 從「解決問題模式」切換成「遵守清單模式」。
Anthropic 發現的正是這件事。上一代模型能力較弱，確實需要大量規則去圍堵它的錯誤；但對新一代模型，這些規則從「護欄」變成了「絆腳繩」——模型忙著滿足規則的字面要求，反而壓抑了它本來就有的判斷力。
一個具體的例子：舊指令寫「絕對不要寫多段落的程式註解」。新指令改成一句話：「註解密度跟隨周圍程式碼的慣例」。前者是死規則，後者是判斷原則——而新模型執行後者的效果更好，因為它本來就看得懂「周圍的慣例」是什麼。
六條新規則：從管小孩到帶資深同事
原文講了六條規則。用 MECE 的方式歸類，其實是三組動作：刪（規則、重複）、換（範例換形容、介面換說明）、分層（常用的常駐、少用的按需）。
第一條：把「怎麼做」交給它判斷，只寫「不能踩」的線
這是整篇的核心。判斷一條指令去留的標準只有一個問題：這件事 AI 猜得到嗎？
猜得到的——好好寫程式、回答有條理、語氣專業——刪掉，它本來就會。猜不到的——你的業務紅線（這封信只能存草稿）、你的特殊慣例（我們公司數字一律用千分位）、你踩過的坑——留下，而且因為雜訊變少，這些真正重要的線反而更醒目。
第二條：把工具做成「自我說明」，而不是附一本使用手冊
這條偏技術，但道理通用：與其在指令裡寫三段話解釋「這個欄位要填什麼」，不如把欄位本身命名清楚、選項列舉完整。好的介面不需要說明書。你給 AI 的表格模板、檔案結構，同樣適用——結構本身會說話。
第三條：漸進揭露——常駐一頁地圖，細節按需翻開
不要把所有背景資料每次都塞給 AI。常駐的只放一頁「地圖」：什麼情況下、去哪裡、讀哪份文件。細節放在獨立的檔案裡，需要時才載入。
你不會要求新同事把公司所有文件背下來，你只會告訴他：「報價相關的去看共用資料夾第三層。」AI 的說明文件，該長得跟這句話一樣。
第四條：一件事實，只放一個地方
同一條規則如果同時出現在三份文件裡，總有一天會有一份忘了更新——然後 AI 就會拿到互相矛盾的指令。每條指令只放在一個權威位置，其他地方要用就放「指標」（去看某某文件），不要複製內容。這跟知識管理的老原則一模一樣，只是以前違反它的代價是「人翻到舊版」，現在是「AI 每天都在讀舊版」。
第五條：讓 AI 自己記，勝過你幫它整理
新一代工具多半有「記憶」功能——它會自己記下你的偏好和專案脈絡。原文的建議是：信任這個機制，而不是自己維護一份越長越失控的說明文件。你要做的是定期抽查它記的對不對，而不是替它寫日記。
第六條：給範例，不要給形容詞
這可能是一般使用者最能立刻用上的一條。與其寫一千字描述「我要專業但親切、簡潔但完整的文案」，不如丟給它一篇你滿意的舊作：「照這篇的感覺寫。」
一份實際範例的資訊密度，永遠高過一千字的形容詞。你形容不出來的「那個感覺」，範例裡全都有。
要它做網頁，給草圖；要它寫報告，給一份你認可的舊報告；要它驗收，給明確的驗收標準而不是「弄好一點」。
一張自檢：你的 AI 指令該減肥了嗎
對照看看，中兩條以上，你的指令清單就值得重整一輪：
- 你的自訂指令裡，有「回答要有條理」「內容要正確」這類 AI 本來就會的話
- 有些指令是一年前為了糾正某個錯誤加的，但你已經忘了那個錯誤長怎樣
- 同一條規則，同時寫在兩個以上的地方
- 你形容風格用的是形容詞（「專業」「活潑」），而不是範例
- 每次對話開頭都要貼一大段背景，其中大半這次根本用不到
- 你從來沒有「開新對話裸測一次」來驗證哪些指令其實是多餘的
重整的方法，前面 FAQ 講過，核心就一招：開新對話、不給指令、讓它裸做一次。它自然做對的，刪；它做錯或不可能知道的，留。
收束成一句話
管理 AI 的指令，跟管理人才的道理殊途同歸：
對能力不足的人，你需要 SOP；對能力足夠的人，你只需要紅線和信任。指令的長度，應該跟對方的能力成反比。
AI 的能力每一代都在跳，但多數人的指令清單只加不減——於是綁在馬腳上的繩子越來越多。每換一代模型，就值得把繩子全部拿出來重新檢查一次：哪些還在防真實的風險，哪些只是在紀念一個已經不存在的問題。
這個系列的前幾篇講過怎麼管記憶預算、怎麼把工作發包給 AI、規模化之後怎麼設護欄——這一篇補上最後一塊：護欄本身，也需要定期減量。
本文重點整理自 Anthropic 官方文章〈The New Rules of Context Engineering for Claude 5 Generation Models〉，並加入作者的詮釋與在地化類比。文中描述以該文發表當下的 Claude 5 世代模型為準，不同產品與版本的實際行為各異；實際使用請以你所用服務的官方說明為準。
帶得走的重點
- Anthropic 把自家 AI 工具的系統指令刪掉八成以上，效能沒有下降——舊指令大多在防「上一代模型」會犯的錯，新模型早就不犯了，留著只是佔記憶又壓抑判斷力。
- 規則寫越多，AI 越像照章做事的新人：它會忙著遵守你的清單，而不是動腦解決你的問題。規則的成本不只佔空間，還會排擠判斷。
- 值得白紙黑字寫下來的只有一種東西：AI 猜不到的事——你的業務紅線、公司的特殊慣例、踩過的坑。通用常識和「好好寫程式」這類話，它本來就會。
- 說明文件的新原則是「漸進揭露」：常駐的只放一頁地圖（什麼時候去讀哪份細節），細節放在需要時才翻開的檔案裡，而不是每次都整本背進來。
- 與其寫一千字描述你要什麼，不如丟一個實際範例給它看：一份你滿意的舊作、一個畫面草圖、一組驗收標準。範例的資訊密度永遠高過形容詞。
常見問題
- 刪掉指令聽起來很可怕，那 AI 亂來怎麼辦？
- 關鍵是分清楚兩種指令。一種是「教它做事的方法」——例如程式碼要怎麼寫、文章要什麼結構——這類新一代模型多半已經內建，寫了是重複，刪了沒損失。另一種是「它猜不到的約束」——例如這封信只能存草稿不能寄出、這個資料夾誰都不准動、你們公司的特殊流程——這類一個字都不能刪，而且因為周圍雜訊變少了，它反而更會被看見、被遵守。所以「鬆綁」不是把韁繩全放掉，是把力氣集中在真正需要韁繩的地方。
- 我又不寫程式，這篇跟我有關嗎？
- 有，而且關係很直接。你在 AI 工具裡設定的「自訂指令」、你每次開頭貼的那段背景說明、你公司內部的 AI 使用規範——都是同一件事的不同形式。同樣的原理都適用：把「AI 本來就會的事」從你的指令裡刪掉，只留下它猜不到的偏好和紅線；要它模仿風格時給範例而不是給形容詞；常用背景固定下來，非常用細節等需要再補。指令變短，它反而更抓得住你真正在意的事。
- 怎麼判斷一條指令是「它本來就會」還是「它猜不到」？
- 一個簡單的測試：開一個全新的對話，什麼指令都不給，直接讓它做一次那件事。如果它自然就做對了——例如程式碼風格跟上你的專案、文章結構合理——那條指令就是冗餘的，可以刪。如果它做錯了、或根本不可能知道——例如你的品牌用語、內部流程、法務紅線——那就是值得寫下來的。每隔一段時間、尤其換了新一代模型之後，值得把你的指令清單重測一輪：上一代需要耳提面命的事，這一代可能已經是預設行為。