本期要点

市场上关于"删光 Skills 让 AI 变聪明"的讨论存在事实嫁接：原作者在视频后半段已将主张收回为重写与验证，而 80% 的缩减实际上来自 Anthropic 对系统提示词的优化。在同任务对照测试中，一条写错的 no-network 指令把检索次数从 22 次直接压到 0 次，表明 Skills 让 AI 变笨的根因不是数量，而是错误、过密、不可核验的规则挤掉了模型原本的判断。面对膨胀的规则库，真正有效的做法是依据必要性、正确性与可验证性三项标准进行审计，保留模型学不会的私有约定，剔除压制判断的无效指令。

删光 Skills 让 AI 变聪明？先看看这个结论从哪来

前段时间 Nate Herk 发了一个视频，标题非常吸引眼球，大意是说他删掉了自己的 Claude Skills 之后，AI 反而变得更聪明了。

这个说法在相关讨论里很受关注。如果你也一直在认真攒 Skill、写 Prompt、维护规则库，看到后难免会有些疑虑：难道折腾了几个月、写了几十个规则文件，全是负优化？是不是该狠下心一键清空？

但仔细拆解视频内容就会发现，标题里的强结论其实把三件完全不同的事捆在了一起：

第一件，Anthropic 官方在优化 Claude Code 时把自带的系统提示词缩减了大约 80%。注意，这是官方工程师在裁剪系统内置指令，不是 Nate 删除了自己 80% 的 Skills。

第二件，Claude Code 的创建者 Boris Cherny 提出过一个建议：用户可以每隔一段时间清空自己的 CLAUDE.md、Skills 和 hooks，看看新模型在去掉这些自定义规则后到底能独立做到什么程度。

第三件，是 Nate 自己在代码仓库的副本里做了一次小测试，改动之后跑了一遍任务，凭主观感受觉得效果不错。

如果把视频完整看完，会发现作者本人在后半段其实已经把话往回拉了。大约 5 分 47 秒时，他明确说重点并不在全删光，在于重新思考它们，写得更通用一些；到了 6 分 45 秒左右，他更直接说明自己并没有做一刀切的清空，因为把规则重写、简化并提高抽象层级，远比直接全删掉更有价值。

好，就事论事，作者最终给出的三个方向——简化旧指令、提高抽象层级、增强验证能力——其实非常中肯。只是那个极端的标题把复杂的权衡砍成了一句非黑即白的口号。

但这个标题之所以能引起共鸣，是因为大家隐约感觉到的那个警告，确实有一半是真的。

为什么重规则管线反而会带偏模型

在搭建 AI 工作流时，常见的做法往往是：模型犯了一次错，立刻追加一条禁止指令；遇到一个特殊情况，顺手补上一段处理规则。时间一长，各种规则、背景说明、格式约定层层叠叠。

这时候你会发现一个现象：裸模型直接回答时往往挺自然，可一旦放到这套重型规则管线里，输出反而变得僵硬、机械，甚至频频出现低级失误。

道理不复杂：指令密度会把模型的隐性常识挤出去。

裸模型未必会犯的错，重规则管线可能因为错误或过密的显式指令反而犯。当我们在上下文中塞进大量过密、细碎甚至互相冲突的显式规则时，规则本身反而会干扰模型原有的正常判断。

但这不等于把规则全部清空。模型能力再强，也无法从通用常识里稳定推导出你的私有历史。

为什么有些私有规则绝不能删

前不久在复更《AI精英周刊》第 045 期时，我的系统遇到过一次真实的踩线事故。

当时系统生成了一版初稿，表面上看语言流畅、结构完整，似乎是一篇合格的文章。但按照周刊既定的标准去审，就会发现它连续踩了三处私有规则：

第一，初稿使用了「本周信号」这个栏目名，而这个名字在之前的改版中已经被正式退役了，现在的固定品牌栏目叫「【信号】」。

第二，抓取的几条信号内容全都是客观事实罗列，完全缺失了作者本人的分析与判断。

第三，正文末尾漏掉了固定栏目「【本期带走】」——哪怕在选题精简的周期，这个提供落地行动的栏目也不可缺席。

这三处问题，模型光靠通用常识根本推导不出来。

模型知道什么是优秀的科技周刊，但它不知道你的栏目两周前做过命名调整；模型知道如何总结行业资讯，但它推导不出你的读者为什么每期都在等作者的主观判断；模型知道文章要完整，但它不知道「本期带走」对这份周刊意味着什么交付承诺。

模型可以推出一个合理答案，但它推不出你过去为什么已经否决过这个答案。

那些沉淀下来的私有约定、品牌规范、流程限制与历史踩坑经验，正是 Skill 真正不可替代的价值所在。它们属于你在真实场景里沉淀的私有资产，无法被通用常识替代。

把这类私有约定删掉，AI 不会变聪明，只会退回到一个礼貌却平庸的陌生人状态。

一条写错的指令，能把检索从 22 次压到 0 次

既然私有规则不能删，那规则到底是在哪一步把 AI 变笨的？

在我的系统最近进行的一次对照测试中，一组数据把这个问题展现得非常清楚。

在同一天、同模型、同任务的条件下，系统对比了三个版本的运行表现：

第一个版本使用的是较轻的旧运行时，里面依然保留着基础的代码与风格约定。在这个版本下，模型完成了 10 次实时网络检索。

第二个版本换上了新编写的完整规则系统，本意是提供更全面的指引。结果在同一个任务中，模型的实时网络检索次数直接变成了 0 次。

第三个版本与第二个版本的配置几乎一模一样，唯一的区别是排查并去掉了新规则里混入的一句错误提示：you have no network access。去掉这句话之后，模型的检索次数直接提升到了 22 次。

在这组对照测试中，唯一被隔离的单变量就是那句写错了的无网络指令。

这个结果很有意思：系统本来是为了验证更完备的规则能带来更好的表现，结果数据先证伪了新配置的版本。

但它说明了一个很关键的事实：一条看起来权威但实际上写错了的显式指令，足以把模型原本会采取的正确行为完全压制掉。

别数规则数量，用三问审计你的规则库

一面是不可替代的私有约定，另一面是极易帮倒忙的错误指令。问题显然不在规则数量，而在每一条注入规则的质量。

要判断一条规则该留还是该删，可以按这三个问题来过一遍：

第一问：这条规则是必要的吗？

只保留模型无法从通用常识里学会的东西。你的私有约定、品牌调性、交付格式、工具的真实状态以及明确的验收标准，这些必须写下来。至于新模型本身就已经掌握得很好的通用逻辑与常规习惯，没必要逐行硬编码。

第二问：这条规则现在还正确吗？

定期抽样检查你的规则库。随着模型能力升级、接口变动或者工作流调整，很多几个月前写下的临时补丁可能早已失效，甚至变成了产生干扰的错误指令。重点检查那些涉及工具权限、已退役流程以及在新模型上已经不再适用的老指令。

第三问：我能验证它真的生效了吗？

不要把“模型应该读到了”当作验收标准。对于关键的业务规则，必须建立可观察的输出标识、自动化测试或者明确的返回结果。一条既不能被观察、也不能在出错时被反证的规则，很难成为确定性的系统能力。

今天就能做的一轮规则体检

如果你手头也有一个正在变重的规则库，今天不妨挑出一个最常用的 Skill 文件，用必要性、正确性、可验证性这三问过一遍。先排查里面有没有已经过时的工具说明，或者早就被新模型掌握的冗余指令。

如果你想系统化搭建更可控、可验证的 AI 工作流，欢迎关注 MAPS™ 训练营。

本期推荐

如果你想系统化搭建更可控、可验证的 AI 工作流，欢迎关注 MAPS™ 训练营。

→ 查看 MAPS 课程

Axton 的 AI 实践工具箱
MAPS 课程 · 从方法论到可交付系统
精英圈 PRO · 深度实践者社群
免费入门课 · 零门槛开始

MAPS 术语词典与原典索引：https://www.axtonliu.ai/maps