一句話結論
Anthropic 官方在 7 月 24 日公開說：他們把 Claude Code 的系統提示詞砍掉超過 80%，在自家的程式評測上沒有量到任何退步。這件事被很多人讀成「提示詞不用寫那麼細了」——但看完六條原則你會發現，他們砍的全部是「怎麼做」，一個字都沒砍「你要什麼」。所以我的判斷是：該砍的是你寫給 AI 的防呆手冊，不是你的交辦內容。兩者長得很像，砍錯邊就從「省事」變成「AI 亂做」。
先講為什麼我非寫這篇不可。
我教企業內訓，教的是一套叫 RCE 的提示詞寫法——角色（Role）、情境（Context）、期望（Expectation），三段加起來我要求學員至少寫 400 字。上完課大家最有感的一句話就是：「原來我以前問得太隨便了。」
結果 7 月底，做 Claude 的 Anthropic 自己出來說：我們把提示詞砍掉八成，效能沒掉。
那我教的東西是不是過期了？
這種時候最爛的處理方式，是假裝沒看到。所以我把官方那篇原文從頭讀完，六條原則一條一條對，然後很誠實地告訴你我對照出什麼。
官方到底說了什麼（原文查證）
來源是 Anthropic 官方部落格，2026 年 7 月 24 日，作者 Thariq Shihipar（Anthropic 技術團隊成員）。原文這句是重點：
「我們移除了 Claude Code 系統提示詞的 80% 以上，針對 Claude Opus 5、Claude Fable 5 這類模型，在我們的程式評測上沒有可測量的損失。」
先把這份文件的立場講清楚：這是 Anthropic 自己寫自己家模型的文章，不是第三方評測。「效能沒下降」是在他們自己的程式評測上，不是在你的工作上。我引用它的每一條原則，是因為它清楚說明了「官方希望你怎麼用新模型」——這有參考價值；但它不是一份可以直接套到你身上的實驗結論。
文章列了六組「以前這樣 → 現在那樣」。我照原文整理如下：
| 面向 | 以前的做法 | 官方現在建議 |
|---|---|---|
| 規則 | 給明確護欄：「預設不要寫註解」「絕對不要寫多段落說明」 | 讓它自己判斷：「寫得像它周圍的程式碼——註解密度、命名、慣用寫法都要跟著」 |
| 範例 | 給一堆工具使用範例 | 把工具本身設計清楚，讓參數自己說明用法 |
| 脈絡 | 一開始全部餵進去 | 漸進式揭露：需要時才載入 |
| 重複 | 重要指令反覆強調 | 寫在該寫的那一個地方，寫一次 |
| 記憶 | 人工整理成記憶檔 | 讓模型自己保存相關的記憶 |
| 規格 | 單純的文字說明 | 升級成可執行的規格：程式碼、測試、驗收標準 |
官方自己下的結論是一句很漂亮的話：新模型要的是信任，不是綁手綁腳。
但你注意到那條線在哪裡了嗎
我把這六條讀第三遍的時候，才看到真正的重點。
它砍掉的每一樣東西，都是在講「怎麼做」。
「不要寫註解」是怎麼做。「工具的參數這樣填」是怎麼做。「這句話我再強調一次」是怎麼做。這些全部是操作手冊——是你怕 AI 做錯，事先幫它畫的防呆線。
而它保留、甚至要求你寫得更好的那一項，是最後一條：把規格升級成可驗收的東西。也就是——「什麼叫做對」，你要講得更清楚，不是更模糊。
再看那條「讓它自己判斷」的示範原文：「寫得像它周圍的程式碼——註解密度、命名、慣用寫法都要跟著。」
這句話短，但它沒有變成「你自己看著辦」。它是把一堆零碎規則，換成一個更高階、更精準的驗收標準。資訊量沒有減少，只是壓縮了。
這就是我對照完的結論：官方在砍的是「你不信任 AI 而多寫的字」，不是「只有你才知道的字」。
所以哪些該砍、哪些不能砍
我把它整理成一張自己用的判斷表。你下次寫提示詞覺得太長，照這張砍：
| 你寫的這一段 | 屬於 | 砍不砍 |
|---|---|---|
| 「你是一位資深行銷企劃」 | 角色 | 留，但別堆形容詞。「資深行銷企劃」夠了，「擁有 20 年經驗、獲獎無數」是自我安慰 |
| 「我們公司是做冷凍食品的，客戶是全聯採購」 | 情境 | 絕對留。這是 AI 猜不到的東西，砍掉它就開始編 |
| 「500 字以內、三個段落、給沒接觸過的人看得懂」 | 期望／驗收標準 | 絕對留，而且要寫得更硬。官方第六條正是要你把規格寫成可驗收的 |
| 「不要用條列式、不要太官腔、不要出現英文、不要……」（連續八個不要） | 防呆規則 | 砍。換成一句正面的：「語氣像跟同事口頭說明」 |
| 「再次提醒，一定要用繁體中文」（第三次出現） | 重複強調 | 砍到剩一次。講三遍不會比較聽話，只會稀釋別的指令 |
| 貼上三篇你自己寫過的稿當範例 | 範例 | 留，但這是唯一該長的地方。「像我的風格」講不清楚，貼稿最快 |
| 把整份 80 頁年報貼進去，然後問一個小問題 | 脈絡 | 砍成分次給。對應官方第三條「漸進式揭露」——用不到的資料會干擾判斷 |
一句話記法：砍掉你對 AI 的不信任，留下只有你知道的事實。
那我教的 RCE 400 字，還算不算數
算，但我要把話講完整——這也是我這篇非寫不可的原因。
RCE 的三段：角色、情境、期望。你回頭看官方砍掉的六項，沒有一項是這三個。它砍的是規則、範例、重複、預先塞好的脈絡——是防呆手冊，不是交辦單。
但我也要誠實承認一件事：我在課堂上看過學員把 400 字寫歪。
寫歪的樣子長這樣——角色寫了 150 字全是「你是一位國際級、屢獲殊榮、深受業界推崇的」；期望寫了 200 字全是「不要這樣、不要那樣」；真正的情境只寫了一行「幫我寫一篇貼文」。字數是達標了，可是資訊量掛零。
這種提示詞，結果通常比隨手問還糟——因為那一堆「不要」會把模型的注意力吃掉，真正重要的那一行反而被淹沒。
所以 400 字這個數字，從來不是目的，是給新手的體重計。它的用途是逼你別只寫「幫我寫一篇貼文」就按下送出。等你寫順了，該看的是「這 400 字裡面，有幾個字是 AI 不可能自己猜到的」。
能猜到的，砍掉。猜不到的，一個字都不能少。
誠實踩煞車：這篇不適用的四種情況
「砍短」這件事很容易被過度解讀，我把限制講清楚：
- 它測的不是你的工作。官方說的「沒有可測量的損失」，是在 Anthropic 自己的程式評測上。你的工作是寫提案、跑報表、回客訴——這些沒被測過。把「寫程式可以砍」推成「什麼都可以砍」，是你自己加的。
- 它針對的是最新一代模型。原文明講是給 Claude Opus 5、Fable 5 這類模型。你用的如果是免費版、舊版、或別家模型，信任預算不一樣。愈舊、愈小的模型，愈需要你把話講白。
- 它砍的是「系統提示詞」，不是你每天打的那句話。系統提示詞是產品開發者寫死在背後的長篇設定；你在對話框打的是任務指令。這是兩個不同的東西，官方砍的是前者。
- 短提示詞對「一個人自己用」最好，對「要交接」最差。你腦子裡的脈絡沒寫出來，換一個同事用同一句話，結果就不一樣。要複製給團隊的提示詞，本來就該寫長。這一點官方沒講，因為那不是他們的問題，是你的。
第四點我在企業現場看最多。很多公司好不容易有一個同事很會用 AI，但他的提示詞全在他腦子裡，寫出來只有一行。他請假那週，整個部門就退回到 AI 之前。
三種人，三種做法
如果你是一般上班族（自己用為主）：
下次寫完提示詞，做一件事就好——把所有「不要……」數一數。超過三個，就代表你在寫防呆手冊。挑最重要的一個留下，其他改寫成一句正面的期望。你會發現字變少，結果反而準。
如果你要量產（同一件事每週做很多次）：
反過來，你的提示詞應該變長，但長在「範例」和「驗收標準」上。對應官方第六條：與其寫「要寫得專業一點」，不如貼兩篇你認可的成品，再加一句「不符合這三點就重寫：①②③」。規則可以砍，驗收標準要愈寫愈硬。
如果你是主管：
別再問部屬「你 AI 用得好不好」，改問一句：「你的提示詞，換一個同事貼上去，會不會得到差不多的結果？」會，代表這是資產，可以入庫、可以交接。不會，代表那是個人手感，跟著人走、跟著人離職。這一題跟模型新不新完全無關，是管理問題。
你是機長，AI 是機組人員
這篇的道理，用駕駛艙來講最清楚。
機組人員愈資深，你愈不需要交代「怎麼飛」——不用教他油門怎麼推、襟翼什麼時候放。那些操作手冊，就是官方砍掉的 80%。
但你永遠得說：飛去哪、幾點到、載幾個人、天氣不好要不要備降。再資深的機組員也不會自己知道今天這趟的目的地。
所以「提示詞可以寫短了」這句話，正確的版本是：操作手冊可以收起來，航線圖不能。而且模型愈強，你愈沒有藉口——因為它現在唯一還缺的東西，只剩下你腦子裡那份航線圖。
常見問題 FAQ
Q：那我以後提示詞是不是隨便寫一句就好？
不是。官方砍的是「怎麼做」的規則，不是「你要什麼」的內容。隨便寫一句，AI 只能用最通用的方式猜，結果就是那種一看就是 AI 寫的東西。
Q：Anthropic 說砍 80% 效能沒掉，這個數字可信嗎？
它是官方自己在自己評測上的結果，不是第三方驗證，我沒有辦法獨立複驗。可信的部分是「這是官方希望你怎麼用新模型的明確訊號」；不可信的部分是「拿這個數字推到你的工作上」。
Q：我用的是 ChatGPT／Gemini，這篇還適用嗎？
原文只講 Claude 系列，我沒有查到其他家有對應的官方說法，所以不做延伸宣稱。不過「砍規則、留情境與驗收標準」這個原則本身跟廠牌無關——那是交辦邏輯，不是模型設定。
Q：課堂上教的 RCE 要不要改？
架構不改，判準要補一句：不看字數，看「有幾個字是 AI 猜不到的」。400 字是新手的體重計，不是及格線。
Q：我把整份文件貼給 AI，是不是就不用寫脈絡了？
不一定。官方第三條建議「漸進式揭露」——用不到的資料會稀釋注意力。與其一次貼 80 頁，不如先貼相關的那三頁，並且說清楚你要它從裡面拿什麼。
資料來源
以下資料均於 2026 年 8 月 3 日開啟原始連結查證：
- Anthropic 官方部落格〈The new rules of context engineering for Claude 5 generation models〉，2026 年 7 月 24 日，作者 Thariq Shihipar（Anthropic 技術團隊成員）：查證到「移除 Claude Code 系統提示詞 80% 以上、在其程式評測上無可測量損失」的原文敘述，以及完整六組「以前 → 現在」原則（規則／範例／脈絡／重複／記憶／規格）。本文表格逐條對照該原文整理。原文連結
- 本文的判斷表與「該砍／不該砍」分類：是我依據上述六條原則所做的推論與整理，不是官方說法，責任在我。
- 現場觀察：來自我在企業內訓課堂上看到的學員提示詞寫法，屬於個人教學觀察，非統計調查。
查證說明（誠實揭露）：①「砍掉 80% 以上、效能無損失」這句是我開啟官方原文確認過的原句，不是媒體轉述。②但這是 Anthropic 評自家模型、用自家評測，屬於廠商自陳，我沒有能力也沒有做獨立複驗；本文不把它當成通用結論。③原文的評測範圍是程式任務；文書、簡報、客服等場景沒有被測過，本文明確不做延伸推論。④其他廠商（OpenAI、Google）我查不到對應的官方提示詞新規則，所以不寫，也不推測。⑤文中「該砍／不該砍」判斷表、RCE 對照、三種角色建議，都是我個人的整理與教學經驗，不是研究結論，請當成判斷起點而非標準答案。⑥文中提到的學員案例為課堂常見樣態的整理，不指涉特定個人或公司。
模型會愈來愈聰明，但「你到底要什麼」不會自己變清楚
想自己先跟上：我的電子報每週一篇，把這類官方更新讀完原文，翻成能用的判斷 → startupforyou.substack.com
如果你是主管：團隊的提示詞如果都在個人腦子裡，就不是公司資產。我的企業內訓有一個模組專門帶團隊把提示詞寫成可交接的版本，課堂上就產出貴公司自己的提示詞庫。想聊聊寫信到 ai@autolab.cloud，或看看 AI 顧問教練團。
關於作者
黃敬峰（AI峰哥／阿峰老師），企業 AI 實戰培訓專家，服務客戶包含國泰人壽、工研院、士林電機、中嘉寬頻、電通、城邦媒體等。聯絡方式：ai@autolab.cloud