![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/10404da54b40fa7c4b5aefaaf8181ff6.webp)
前段时间，老金不是发了一个解读A社发表的删除80%的提示词的文章了么。
这两天真的把Meta\_Kim的重构了，然后在Claude Code和Codex里，跑了一套48次的A/B实测矩阵。
3类任务 × 2套提示词 × 每套4次 × 2个平台，一共48次。
每一次都在隔离工作区里完成真实代码任务，要过公开测试，也要过模型事先不知道的隐藏测试。不是让模型回答一道题，再凭感觉说谁更聪明。
结果是这样。。。
Claude Code里的MiniMax-M3确实少吃了Token，但常用任务退步，不能采用。
Codex里的GPT-5.6 Sol把质量完整守住了，可Token几乎没省，照样没有通过我的上线门槛。
同一套精简方法，到了两个模型上，给了我两种完全不同的答案。
![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/d7cb6c42a6a4b8688e94d4807ad419db.webp)
事情起因，是Anthropic（也就是大家常说的A社）公布了一套面向新一代Claude的上下文工程方法。
他们把Claude Code面向新模型的系统提示词删掉80%以上，在自家的编程评测中，没有看到可测量的性能损失。
我真正想试的，是模型开工时能不能只读必须立即知道的规则。具体细节等真正需要时，再打开Skill和references。
我决定不争论，直接拿Meta\_Kim试。
A组叫current\_full，就是现在的完整版。模型开工前直接阅读大量规则、流程和边界。
B组叫progressive\_slim。我留下必须立即知道的规则，把细节移到references里，要求模型碰到对应任务时再打开。
我修改完再检查文件，开工前固定读取的内容从86,043字节、缩到15,254字节、减少82.27%。资料没有凭空消失，只是改成需要时再打开。
但提示词少了82%，不等于模型收到的总上下文也会少82%。所以我先把实验门槛写死，再开始跑。
![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/3ad73aed8ab40d40a42fcc376be8676a.webp)
上面这张，就是我设计实验时留下的真实记录。
我放了三类真实任务，没有只挑一种顺手的小任务。
第一类是简单单文件修改。模型要给现有代码增加single-flight缓存，我再检查并发时会不会重复执行。
第二类是模糊产品任务。模型要修改邀请流程，补齐输入校验、失败恢复、可访问性和响应式。需求不会替它把每个动作都列出来，我要检查它能不能自己发现这些产品边界。
第三类是跨文件高风险任务。模型要轮换密钥、验证Webhook、处理时间窗口、防篡改并给日志脱敏，一个安全边界漏掉都不算完成。
每类任务，A组跑4次，B组也跑4次。单个平台是3 × 2 × 4 = 24次，两个平台就是48次。
Claude Code固定使用MiniMax-M3/high，Codex固定使用gpt-5.6-sol/high。两个模型不横着比智商，只在各自平台内部比较完整版和精简版。
同一对A/B使用相同任务、初始文件和随机种子，相邻执行，并平衡先后顺序。权限、工具、工作区规则、公开测试、隐藏测试、Review和Verification全部相同。
评分设定上质量优先于Token。
我先检查任务有没有做成，再检查有没有新增严重错误。
评分时隐藏A/B身份，按完整性、权限安全、真实Review与Verification、规则冲突和关键遗漏打0到5分。前面都没有退步，才能比较Token和耗时。
B组想上线，必须同时过六道门。不能新增严重或高风险失败，每类任务成功率不能下降，盲评质量中位数不能下降，输入Token中位数必须下降，而且至少三类任务中的两类真的省。
省Token但砍掉能力、权限、Review或Verification，直接判输。
跑到中途时，我其实已经看见了非常诱人的信号。
![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/0af0faf0b9920682403dd221e4963db7.webp)
这张也是当时的真实截图。
那时Claude Code已经落盘22/24次，形成10个有效对照。Codex落盘12/24次，形成5个有效对照。
Claude Code的精简版输入Token已经出现下降，但成功率从完整版的63.6%掉到阶段性的40%，高风险任务甚至0/4。
Codex当时的5组有效对照里，A、B质量都守住了，精简版Token明显更少。
如果我只想写一个抓眼球的结论，到这里就可以宣布GPT适合精简，MiniMax不适合。
但这不是完整实验。
当时还有试次没跑完，修完测量和记录问题以后，正式实验继续收满Claude Code 24次、Codex 24次。最终48/48次完成，基础设施中断为0，A/B处理组绑定全部通过。
正式结果和中途信号，并不完全一样。
先看MiniMax-M3。
![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/7814dbbb78565cb135b99a971062b495.webp)
完整版12次，成功率41.7%。精简版12次，成功率还是41.7%。
只看总成功率，好像没退步。
但拆开任务类型，结果变了。
简单任务从50%降到25%，少了25个百分点。模糊产品任务从75%降到50%，也少了25个百分点。跨文件高风险任务从0%升到50%。
Token确实省了。平均输入从179,419.5降到114,714.8。按12组配对的中位数算，精简版少了20.9%。
代价也是真的。平均质量从4.18降到4.09，配对质量中位数下降1分。
高风险任务从0%到50%是一个值得继续研究的信号，但每类只有4组配对。我不能拿这4组结果，去抵消简单任务和模糊任务已经发生的下降。
我给MiniMax-M3的正式裁决是worse / not\_eligible。
它省了Token，却没守住我预先写下的质量门槛。
再看GPT-5.6 Sol。
![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/af94f0ae047daa21b8d3257996df8eb7.webp)
完整版12次，成功率100%，平均质量5分。精简版12次，成功率还是100%，平均质量还是5分。三类任务拆开看，全部100%。
也就是说，GPT-5.6 Sol少读了336行首次规则，48项隐藏功能检查一个都没少过。
但Token没有跟着下来。
完整版平均输入263,921.3，精简版263,305.4，只少了615.9。按12组配对中位数计算，精简版反而增加0.93%。
有的试次省十几万Token，有的试次又多出十几万，方向根本不稳定。
所以GPT-5.6 Sol也没有通过。
它证明了强模型可以在少读大量首次规则后守住质量，没有证明这个方法能稳定省Token、降成本或提速。
A社这套方法到底有没有用？
老金的判断很明确。有用，但用途被很多人说错了。
它能减少模型开工前固定阅读的规则，但不能保证删掉80%提示词就省80%Token。
GPT-5.6 Sol会自己判断任务阶段，也会主动打开references。它通过了全部隐藏检查。
这种模型可以少读固定规则，维护起来也更轻。
但如果你的目标是直接省Token，根级说明、工具描述、Hooks、历史状态、任务文件、检索结果和工具返回，仍然会进入整次任务的上下文。86KB砍到15KB，不代表总输入会等比例下降。
对MiniMax-M3这次的运行配置，我不会直接采用。它没有在所有任务里补回被拿掉的明确提醒。尤其是简单修改和模糊产品任务，少写一句规则，可能就少做一个恢复动作、一个可访问性检查或一个并发保护。
这也解释了一个看似矛盾的结果。模型在复杂高风险任务上可能因为少了干扰而变好，却在日常任务上因为少了提醒而退步。只看总成功率，正好会把这种分化藏起来。
实验结束时，还有一个更夸张的数字。
为了判断到底能不能用，我一度写出了24,188行实验基础设施。
隔离运行、A/B绑定、隐藏测试、评分合同、Windows进程收口和对抗审查，最后长成了一套小型实验平台。
数据终于可信了，但工程明显过重。
老金决定Meta\_Kim继续读取之前的完整版。
![Image](https://developer.qcloudimg.com/http-save/yehe-10990648/5f635f5c6c90e8e1ca86a13498d603b1.webp)
这48次实测，最后没有替任何模型赢下一场宣传战。
但它回答了我真正想知道的问题。
A社的方法对什么有用？对能主动找资料、能自己补全边界的强模型，它可以减少常驻规则负担。
对什么没用？如果模型离开显式规则就会漏动作，它甚至可能用质量换成本。
以后再有人告诉我提示词应该再短一点，我不会先问能删多少行。
我会先问三件事。
一共测了多少次？
哪类任务变差了？
省下来的到底是真Token，还是只有那份文件看起来变短了？
---
谢谢你读我的文章。
如果觉得不错，随手点个赞、在看、转发三连吧🙂
如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章。


前段时间，老金不是发了一个解读A社发表的删除80%的提示词的文章了么。这两天真的把Meta_Kim的重构了，然后在Claude Code和Codex里，跑了一套48次的A/B实测矩阵。3类任务 × 2套提示词 × 每套4次 × 2个平台，一共48次。每一次都在隔离工作区里完成真实代码任务，要过公开测试，也要过模型事先不知道的隐藏测试。不是让模型回答一道题，再凭感觉说谁更聪明。结果是这样。。。Claude Code里的MiniMax-M3确实少吃了Token，但常用任务退步，不能采用。Codex里的GPT-5.6 Sol把质量完整守住了，可Token几乎没省，照样没有通过我的上线门槛。同一套精简方法，到了两个模型上，给了我两种完全不同的答案。事情起因，是Anthropic（也就是大家常说的A社）公布了一套面向新一代Claude的上下文工程方法。他们把Claude Code面向新模型的系统提示词删掉80%以上，在自家的编程评测中，没有看到可测量的性能损失。我真正想试的，是模型开工时能不能只读必须立即知道的规则。具体细节等真正需要时，再打开Skill和references。我决定不争论，直接拿Meta_Kim试。A组叫current_full，就是现在的完整版。模型开工前直接阅读大量规则、流程和边界。B组叫progressive_slim。我留下必须立即知道的规则，把细节移到references里，要求模型碰到对应任务时再打开。我修改完再检查文件，开工前固定读取的内容从86,043字节、缩到15,254字节、减少82.27%。资料没有凭空消失，只是改成需要时再打开。但提示词少了82%，不等于模型收到的总上下文也会少82%。所以我先把实验门槛写死，再开始跑。上面这张，就是我设计实验时留下的真实记录。我放了三类真实任务，没有只挑一种顺手的小任务。第一类是简单单文件修改。模型要给现有代码增加single-flight缓存，我再检查并发时会不会重复执行。第二类是模糊产品任务。模型要修改邀请流程，补齐输入校验、失败恢复、可访问性和响应式。需求不会替它把每个动作都列出来，我要检查它能不能自己发现这些产品边界。第三类是跨文件高风险任务。模型要轮换密钥、验证Webhook、处理时间窗口、防篡改并给日志脱敏，一个安全边界漏掉都不算完成。每类任务，A组跑4次，B组也跑4次。单个平台是3 × 2 × 4 = 24次，两个平台就是48次。Claude Code固定使用MiniMax-M3/high，Codex固定使用gpt-5.6-sol/high。两个模型不横着比智商，只在各自平台内部比较完整版和精简版。同一对A/B使用相同任务、初始文件和随机种子，相邻执行，并平衡先后顺序。权限、工具、工作区规则、公开测试、隐藏测试、Review和Verification全部相同。评分设定上质量优先于Token。我先检查任务有没有做成，再检查有没有新增严重错误。评分时隐藏A/B身份，按完整性、权限安全、真实Review与Verification、规则冲突和关键遗漏打0到5分。前面都没有退步，才能比较Token和耗时。B组想上线，必须同时过六道门。不能新增严重或高风险失败，每类任务成功率不能下降，盲评质量中位数不能下降，输入Token中位数必须下降，而且至少三类任务中的两类真的省。省Token但砍掉能力、权限、Review或Verification，直接判输。跑到中途时，我其实已经看见了非常诱人的信号。这张也是当时的真实截图。那时Claude Code已经落盘22/24次，形成10个有效对照。Codex落盘12/24次，形成5个有效对照。Claude Code的精简版输入Token已经出现下降，但成功率从完整版的63.6%掉到阶段性的40%，高风险任务甚至0/4。Codex当时的5组有效对照里，A、B质量都守住了，精简版Token明显更少。如果我只想写一个抓眼球的结论，到这里就可以宣布GPT适合精简，MiniMax不适合。但这不是完整实验。当时还有试次没跑完，修完测量和记录问题以后，正式实验继续收满Claude Code 24次、Codex 24次。最终48/48次完成，基础设施中断为0，A/B处理组绑定全部通过。正式结果和中途信号，并不完全一样。先看MiniMax-M3。完整版12次，成功率41.7%。精简版12次，成功率还是41.7%。只看总成功率，好像没退步。但拆开任务类型，结果变了。简单任务从50%降到25%，少了25个百分点。模糊产品任务从75%降到50%，也少了25个百分点。跨文件高风险任务从0%升到50%。Token确实省了。平均输入从179,419.5降到114,714.8。按12组配对的中位数算，精简版少了20.9%。代价也是真的。平均质量从4.18降到4.09，配对质量中位数下降1分。高风险任务从0%到50%是一个值得继续研究的信号，但每类只有4

老金实测：提示词删82%之后，MiniMax退步，GPT-5.6没省Token

前段时间，老金不是发了一个解读A社发表的删除80%的提示词的文章了么。这两天真的把Meta_Kim的重构了，然后在Claude Code和Codex里，跑了一套48次的A/B实测矩阵。3类任务 × 2套提示词 × 每套4次 × 2个平台，一共48次。每一次都在隔离工作区里完成真实代码任务，要过公开测试，也要过模型事先不知道的隐藏测试。不是让模型回答一道题，再凭感觉说谁更聪明。结果是这样。。。Cla

编程语言

人工智能

开发工具

A社提示词精简方法实测：ClaudeCode省Token但质量下降，GPT-5.6Sol守住质量但未省Token。实验48次对比显示，强模型可减少固定规则，但提示词精简不等于总Token减少。不同模型表现差异大，需根据任务类型和模型能力评估精简效果。

上下文工程

Windows

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

老金实测：提示词删82%之后，MiniMax退步，GPT-5.6没省Token-腾讯云开发者社区-腾讯云

老金实测：提示词删82%之后，MiniMax退步，GPT-5.6没省Token

老金实测：提示词删82%之后，MiniMax退步，GPT-5.6没省Token

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐