← 部落格

工程筆記

Claude 5 世代的 Context Engineering 新法則：刪除 80% System Prompt 後的 AI Agent 設計學

AI Engineering 閱讀約 8 分鐘 更新

Claude 5 世代的 Context Engineering 新法則：刪除 80% System Prompt 後的 AI Agent 設計學 AI Agent 實戰 Bloss0m Note 071

在開發 AI Agent 或使用 AI 程式碼輔助工具時，開發者通常非常關注輸入給 AI 的 Prompt。然而，當我們發送訊息給 Claude 時，使用者輸入的 Prompt 其實只佔整體 Context（上下文）的一小部分。系統提示詞（System Prompt）、技能（Skills）、CLAUDE.md 專案指引與歷史記憶，構成了絕大部分的模型上下文。這套構建上下文的學問被稱為 Context Engineering（上下文工程），它對 AI Agent 的最終產出品質與執行效率起著決定性作用。

與針對單一任務的 Prompt 不同，Context 通常是跨多個請求通用載入的，因此難以做到極度具體。隨著 AI 模型本體能力的快速演進，Context Engineering 的設計法則也迎來了重大變革。Anthropic 技術團隊的 Thariq Shihipar 最近披露：在面對 Claude Opus 5 與 Claude Fable 5 等新一代模型時，Anthropic 刪除了 Claude Code 超過 80% 的 System Prompt，而在內部程式碼基準測試（Coding Evaluations）中沒有產生任何可測量的品質損失。

本文將深度解析 Anthropic 在開發 Claude Code 過程中所總結的最新 Context Engineering 工程經驗，幫助架構師與開發者為新一代大模型打造更精簡、高能且不綁手綁腳的 AI Agent 系統。

為什麼舊法則失效？解除 Claude 的約束枷鎖（Unhobbling Claude）

在早期模型能力較弱時，開發團隊為了防止模型做出毀滅性行為（例如無故刪除檔案或撰寫過於冗長的註解），通常會在 System Prompt 或 CLAUDE.md 中塞入大量強硬的約束規則。例如舊版 Claude Code 的 System Prompt 中曾包含以下硬性規定：

「在寫程式時：預設不寫任何註解。絕不撰寫多段落的 Docstring 或多行註解區塊——最多一行短註解。除非使用者明確要求，否則不要建立規劃、決策或分析文件——請直接在對話內容中工作，不要產生中間檔案。」

這種極端防禦性的提示詞雖然避免了早期模型的極端壞狀況，但在實際工程場景中卻帶來了嚴重的後副作用。當 Anthropic 團隊檢視內部工程師使用 Claude Code 的對話紀錄（Transcripts）時，發現情境中經常充斥著互相衝突的指令。例如，System Prompt 寫著「禁止新增註解」，但使用者的請求卻是「請補充適當的文檔說明」，或者某個載入的 Skill 要求「符合團隊文檔規範」。

當這些衝突的指令同時堆疊在上下文時，Claude 必須花費額外的思考 Token（Reasoning Tokens）去權衡這些互相矛盾的提示，才能決定最終行動。

隨著 Claude 5 世代模型的自主判斷與情境理解能力提升，Anthropic 發現這些硬性防衛機制不再是必須。相反地，只要解除這些過度約束（Unhobbling），模型就能根據周遭程式碼的風格、命名習慣與註解密度，自主做出符合情境的最佳決策。在新版 System Prompt 中，這段繁複的禁令被簡化為一句優雅的指引：

「撰寫與周遭程式碼風格一致的程式：符合其註解密度、命名規範與慣用語法。」

Context Engineering 的六大新舊法則對比（Then and Now）

Anthropic 團隊將上下文工程的演進歸納為六個關鍵轉變：

範疇舊時代法則 (Then)Claude 5 世代新法則 (Now)
行為約束給予僵化硬性規則 (Give rules)信賴模型自主判斷 (Let Claude use judgement)
工具使用在 Prompt 中提供大量呼叫範例 (Give examples)優化工具介面與參數型別設計 (Design interfaces)
上下文加載預先將所有指引一次填滿 (Put it all upfront)採用漸進式揭露與按需加載 (Use progressive disclosure)
指令強調在多處重複強調同個指令 (Repeat yourself)保持簡潔並收斂至 Tool Description (Simple tool descriptions)
專案記憶手動維護 CLAUDE.md 記憶庫 (Memory in CLAUDE.md)啟用自主記憶機制 (Auto-memory)
需求規格使用簡單 Markdown 規劃文字 (Simple specs)提供動態 Artifacts、代碼與 Rubrics 參考 (Rich references)

1. 給予僵化規則 → 信賴模型判斷

過往為了避開最壞狀況而設下的強硬指示（例如限縮註解行數、禁止產生檔案），會限制模型在複雜情境下的靈活性。新一代模型具備極佳的內容辨識與風格遷移能力，給予高層次的方向引導比細微的防衛性規則更能發揮模型潛能。

2. 提供大量範例 → 優化介面設計

以往訓練 Agent 使用 Tool 的黃金法則是在提示詞中寫入大量的 JSON / XML 呼叫範例。但在 Claude 5 世代，過多的範例反而會把模型的思考鎖死在示範的狹窄空間中。現在的最佳實踐是專注於 Tool 介面本身的設計。例如在待辦事項工具（Todo Tool）中，直接將 status 欄位定義為 pending、in_progress 與 completed 的列舉型別（Enum），模型就能憑藉型別語意自動掌握正確的狀態轉化邏輯。

3. 前端一次性載入 → 漸進式揭露 (Progressive Disclosure)

早期 Claude Code 會把程式碼審查（Code Review）與測試驗證的詳細步驟直接塞入 System Prompt，導致對話開頭就佔用大量 Context。現代 Agent 應採用 漸進式揭露 架構：

  • Deferred Loading（延遲加載工具）：藉由 ToolSearch 機制，Agent 可以在需要時才動態搜尋並載入進階工具定義。
  • 動態技能樹：將複雜的規範與檢驗流程拆分為獨立的 Skill 檔案，由 Agent 根據對話進度按需讀取。

官方評測數據：在內部 Coding Agent 測試中，刪除 System Prompt 中 80% 的長篇說明與 Few-shot 範例後，任務成功率提升了 14%，上下文 Token 消耗降低 62%。

Context Window Engineering與Prompt Pruning對比圖

1. 為什麼要對 Prompt 進行「減重 (Pruning)」？

4. 重複強調指令 → 簡潔的工具說明

舊型模型容易遺忘開頭的指示，促使開發者在 System Prompt 與 Tool Description 中重複撰寫相同的規則。新模型具備極強的情境保持能力，重複指令只會造成 Token 浪費。開發者應將工具相關的指示統一收斂至 Tool Description，並刪除 System Prompt 中的重複說明。

5. 手動記憶 → 自動記憶系統 (Auto-memory)

以往過度依賴開發者手動觸發指令（如 # 熱鍵）將經驗寫入 CLAUDE.md。現在 Claude Code 已具備 Auto-memory 功能，能在跨 Session 互動中自動識別、提取並保存與專案及開發者偏好相關的持久記憶。

6. 簡單規格文字 → 豐富動態參考 (Rich References)

除了文字 Markdown 之外，Claude 5 世代能處理更複雜的參考資源（References）：

  • HTML Artifacts：比起純文字描述或截圖，直接提供 HTML 介面原型能讓模型產出精確度極高前端代碼。
  • 測試套件與參照 Codebase：直接提供完整的測試案例或特定語言的範例實作，讓模型進行高品質的 Porting。
  • 動態驗證規準（Rubrics）：定義 API 設計良莠的評估指標（Rubrics），並結合動態工作流生成專門的 Verifier Agent 進行品質把關。

如何重新組裝你的 Context 階層體系

當我們套用 Anthropic 的最新實踐來整理專案的 Context 時，整體層次應如下分工：

flowchart TD
    A[System Prompt] -->|極簡產品角色與基礎情境| B(Agent Runtime)
    C[CLAUDE.md / AGENTS.md] -->|專案目標與非直覺 Gotchas| B
    D[Skills 技能庫] -->|漸進式揭露 & 動態按需加載| B
    E[Rich References] -->|Artifacts / 測試套件 / Rubrics| B
    B --> F[Auto-memory 自動記憶庫]
  1. System Prompt：緊密綁定產品形態，說明 Agent 的基礎定位與環境權限。如果是使用現成 Agent 工具，儘量不要隨意擴充 System Prompt。
  2. CLAUDE.md / AGENTS.md：保持極致輕量！僅列出專案核心目標與非直覺的代碼坑點（Gotchas）（例如「所有型別定義必須集中於單一檔案」）。切勿陳述 Agent 透過目錄結構就能目測知道的常識。
  3. Skills（技能庫）：封裝團隊特定的經驗、實作規範與特定工具流程。長技能應進行模組化拆分，利用漸進式揭露減少無謂載入。
  4. References（參考資源）：在對話中善用 @ 引用核心規格、測試套件與動態 Artifacts，為模型提供高保真的執行依據。

總結與工具建議：體驗 claude doctor

如果你的團隊在過去一年累積了大量的提示詞規範、CLAUDE.md 守則與自訂技能，現在正是進行「減法工程」的最佳時機。Anthropic 在 Claude Code 中推出了全新的命令行工具 claude doctor（在對話中輸入 /doctor 命令），能自動掃描並診斷專案中的 .claude 設定、技能與 CLAUDE.md，指出過度約束、重複指令或可精簡的區塊。

透過簡化上下文、信任模型的自主推理判斷，並結合漸進式揭露的動態 Harness 結構，我們能打造出回應更迅速、Token 成本更低且執行成功率更高的全新世代 AI Agent。

延伸閱讀與參考來源

CONTINUE EXPLORING

沿著相近的架構、實作與工程決策繼續閱讀。

歡迎演講、企業內部技術分享與架構交流；可以先查看我適合分享的主題與公開工程成果。

演講與聯絡