Anthropic 精简 Claude Code 系统提示词：面向 Fable 5 降幅达 80%，提示工程正在回到“少即是多”

据 IT之家 7 月 3 日消息，科技媒体 The Decoder 于 7 月 2 日发布博文称，Anthropic 正在为适配 Claude Fable 5 模型，进一步压缩 Claude Code 的系统提示词，精简幅度达到 80%。Anthropic 技术人员 Tariq Shihipar 表示，引导 AI 模型的方式正在发生根本性变化：更多提示词、更多示例和更密集的限制，并不一定带来更好的输出，反而可能限制新一代模型的表现。对于面向开发者的 AI 编码助手 Claude Code 来说，这一变化意味着提示工程正在从“堆规则、堆样例”转向更轻量的上下文引导。

Claude Code 是 Anthropic 推出的 AI 编码助手，定位是帮助开发者构建功能、修复错误并自动化开发任务。来源显示，它能够理解整个代码库，并在多个文件和工具之间协同完成任务。因此，系统提示词如何设计，直接关系到模型在代码理解、任务规划和工具调用中的行为边界。此次 Anthropic 对系统提示词进行大幅精简，反映的不只是单一产品调整，也体现了大模型交互范式的一次变化。

从“写更多提示”到“减少干预”

在过去一段时间里，提示工程常被视为提升大模型效果的关键手段。用户会在提示词中加入大量角色设定、输出格式、步骤要求、示例以及禁止事项，希望通过更完整的指令来减少模型出错。然而据报道，Anthropic 在近期实践中发现，包括 Fable 5 在内的新模型，反而更适合使用更简洁的系统提示。

Tariq Shihipar 的观点是，用户输入的示例有时会限制模型发挥。换句话说，当模型本身已经具备较强理解和生成能力时，过于具体的示例可能会把模型锁定在某种思路或格式中，使其无法充分利用训练中获得的更广泛模式与能力。他还提到，这类新模型所掌握的示例，可能比用户提供的内容更具想象力。

这对开发者和 AI 工具产品经理都有启发：提示词并非越长越好，示例也并非越多越稳。当模型能力提升后，过度约束可能从“安全护栏”变成“性能天花板”。

Claude Code 为什么适合做这类实验

编码助手是观察提示词变化的典型场景。与普通聊天不同，代码任务通常包含明确目标、复杂上下文和多步骤执行过程。Claude Code 需要理解项目结构、定位错误、修改多个文件，并可能在工具链中完成自动化操作。如果系统提示过于冗长，模型需要在大量规则、示例和上下文之间权衡，反而可能增加行为偏差。

据来源信息，Anthropic 现在不再强调使用“禁止这样做”一类硬性规则，而是尝试通过上下文来引导 Fable 模型。这意味着模型行为控制方式正在从命令式约束，转向更柔性的场景化引导。例如，不是简单列出大量禁令，而是让模型在任务背景、目标和当前状态中推断更合适的行动方式。

• 系统提示词更短：减少固定规则和重复描述，让模型更专注于当前任务上下文。
• 示例权重下降：不再依赖大量样例“教模型怎么做”，避免模型被样例模式束缚。
• 上下文引导增强：通过任务环境、代码库状态和用户目标，让模型自行形成执行策略。
• 硬性禁令减少：从“不要做什么”转向“在什么背景下应如何判断”。

提示工程进入“短—长—短”周期

Tariq Shihipar 将 AI 提示词的发展概括为“短—长—短”的演变。早期模型能力有限，用户通常使用较短提示，再配合大量示例和限制性说明来获得稳定输出。随着模型理解能力提升，提示词开始变长，人们试图通过更复杂的系统提示来获得更可控的行为。而现在，新模型理解能力进一步增强，提示又开始变短。

这一趋势背后，是模型能力与人类控制方式之间的重新分工。过去，提示词承担了大量“补足模型能力”的工作，例如拆解步骤、定义格式、限制输出范围；但当模型可以更好理解意图、上下文和任务目标时，提示词的角色就会从详细脚本转向方向性指引。

对于中文开发者和企业用户而言，这意味着在使用新一代 AI 编程工具、智能体或办公自动化助手时，可以重新审视自己的提示词模板。很多旧模板中堆叠的角色设定、冗长规则和重复示例，未必仍然必要。尤其在代码生成、文档处理、流程自动化等复杂任务中，清晰目标、准确上下文和必要边界可能比长篇提示更重要。

影响与解读：AI 工具竞争转向模型原生能力

Claude Code 系统提示词精简 80%，释放出一个重要信号：AI 应用的效果不再只取决于“外层提示工程”堆得多复杂，而越来越依赖模型自身的理解、推理和任务执行能力。对于工具厂商来说，这可能降低部分提示模板的重要性，但会提高上下文管理、任务状态维护和工具调用设计的价值。

在 AI 编码助手赛道，这种变化尤其值得关注。开发者真正需要的不是一个被大量规则束缚的对话机器人，而是能理解项目意图、判断修改范围、在多文件之间保持一致性的协作伙伴。更短的系统提示如果能带来更灵活的行为，说明新模型正在从“按提示执行”走向“基于目标解决问题”。

当然，提示词变短并不意味着可以完全放弃约束。安全、权限、代码质量和用户确认流程仍然是 AI 编程工具必须处理的问题。只是从 Anthropic 的调整看，未来更有效的方式可能不是不断添加“禁止项”，而是把约束融入上下文、工作流和产品机制中。提示工程的重点，正在从写长提示转向设计好环境。

总体来看，Claude Code 的这次调整为 AI 交互提供了一个新的观察窗口：当模型越来越强，用户与系统需要学会减少不必要的干预，把空间留给模型自身能力发挥。对于正在构建 AI 应用的团队而言，这既是提示词策略的变化，也是产品设计理念的变化。