提示词债务：旧指令如何拖累新AI模型
随着AI模型快速迭代，为旧模型优化的冗长提示词可能成为新模型的负担。本文解析"提示词债务"概念，结合Anthropic和OpenAI的最新实践，教你如何精简指令、释放新模型潜力。
从技术债务到提示词债务
软件开发者对"技术债务"并不陌生：为了快速上线而做的妥协设计，会在未来以更高昂的维护成本偿还利息。2026年，AI领域出现了与之对应的新问题——提示词债务（Prompt Debt），它影响的不只是编程，还包括各类知识工作。
今年6月，数据工程师Drew Breunig在一篇文章中让这个术语广为人知。他关注的是生产环境中那些试图用一条提示词控制整个系统的场景。但问题远不止于此：提示词债务潜伏在各类指令中，包括skills文件、CLAUDE.md等配置文件，甚至AI自我生成指令的循环里。
核心案例：系统提示词削减80%
最具说服力的案例来自Anthropic。7月21日，Simon Willison发布了一段与Anthropic工程师Thariq Shihipar和Cat Wu的对话，透露Claude Code团队将Fable 5和Opus 4.8的系统提示词削减了80%，而旧版详细提示词仅为老模型保留。与此同时，OpenAI也建议为GPT-5.6使用更精简的提示词，减少重复和示例。
另一个值得关注的现象来自Every平台发布的"The Case Against Skills"。该文主角Mike Taylor是《Prompt Engineering for Generative AI》教科书合著者，他认为许多预置指令包反而抑制了模型已有的能力。
什么是提示词债务？
长期以来，我们遵循一个简单规则：AI表现不佳时，就添加一条修正指令。提示词用得越久，修正指令积累越多，最终可能相互矛盾，甚至连作者都无法理解完整逻辑。
我的判断是：任何长期复用并扩展AI指令的人，几乎都积累了一定程度的提示词债务。 即使你像我一样，花了一年多时间编写简短易懂的提示词并教别人这么做，也可能在别处积累债务——比如在与Claude共同构建的skills中，或在AI代理的循环逻辑里。
数据揭示的真相
一些基准测试结果令人警醒：
- HANDBOOK.md基准：在严格评分下，即使代理遵循20至124页的公司政策，最佳模型也仅通过36.2%的任务。
- SWE-Skills-Bench基准：49个公开软件技能中有39个未能提升成功率，部分技能反而让token消耗增加高达451%，且结果毫无改善。
如何偿还提示词债务
基于这些观察，我建议采取以下策略：
- 删除重复训练能力的指令：新模型已经内化了这些能力，冗余指令只会增加噪音。
- 将90%正确的规则转为条件：与其让规则无条件生效，不如设计为仅在特定场景触发。
- 保留必要边界：安全限制、访问控制、个人上下文和产品需求等关键约束必须保留。
- 用相同任务对比测试：对旧版和精简版提示词在同一组代表性任务上进行A/B测试，用数据说话。
核心原则：指令的价值应当被测试，而非被假设。 对于开发者、AI产品经理和重度AI使用者来说，定期审视和精简提示词，是确保新模型发挥全部潜力的必要功课。
未来，随着模型能力持续跃升，提示词债务的管理将像代码重构一样，成为AI工作流中不可或缺的日常实践。