怎么说呢，

最近忙着做新的产品和工具。公号几天没更新，今天爬上来说几点。

AI 发展得很快。但是我发现很多人对 AI 的用法还停留在之前，应该跟随时代而更新。

索性今天说下最近用 AI 的几个技巧，应该对一些人有价值。

. Anthropic 自己砍了 %。规则式约束过时了

先把这件事说清楚，因为它是个分水岭。痛点一：大量堆叠规则让操作变得繁琐。让你在每次提示都要耗费时间思考“不能这样”，导致工作流卡顿。

月 日 Anthropic 的官方博客。为 Opus 和 Fable 删掉了 Claude Code 程序提示词 % 以上的内容，评测结果零损失。老实说，团队成员的原话是：我们给 Claude 施加了过多约束。怎么说呢，

什么意思呢？以前大家写提示词，喜欢堆规则：不许这样，不许那样，再塞几个示例。对新模型，这套做法不但没用，反而有害。官方现在的说法是负面清单和示例堆砌会限制模型的判断空间，拉低输出质量。怎么说呢，

CLAUDE.md 也一样。官方文档的建议就一句话：每一行都问自己。删掉这条，Claude 会犯错么？不会就删，原话更狠，臃肿的 CLAUDE.md 会让 Claude 直接无视你真正的指令。

Boris 自己的 CLAUDE.md 只有两行。

新版还内置了 /doctor 命令。可以自动审计你的 CLAUDE.md 和 skills，帮你瘦身。官方下场帮你删配置，这事以前想都不敢想。说起来，

一句话：靠堆规则管 AI 的时代已经结束；简化操作能大幅提高效率，

. 各种「补能力」的 Skill 都会死掉

痛点二：不断添加的新 Skill 会让程序变得臃肿、消耗 token。还可能导致任务通过率下降，让你花钱又白忙活。

因为 AI 的能力越来越强，其实一堆 Skill 根本不需要了。模型能力强后那些「补能力」快速贬值。以前模型不会规划，你装个规划 skill，不会拆任务，你装个拆任务的。现在这些模型自己就会，你装得越多越添乱。

Databricks 有篇论文实测过当 skill 库扩到 个的时候。任务通过率最多掉 %，主要原因不是塞不下是 AI 在一堆 skill 里挑花了眼、选错了。还有人把自己 个 MCP server 全删了省出来 万多 token，每次会话开场就白烧。

注意！Anthropic 砍规则时建议把业务流程沉淀成按需加载的 skills；按理说，这类私有知识才是真正值得保留、可继续增长的资产。

. Kimi K3 开放权重了抢不到套餐直接上云

痛点三：订阅套餐被抢不到导致无法使用最新模型；算力受限让开发者难以跑大规模推理。

昨天月 日 Kimi K3 的完整权重挂上了 Hugging Face。说起来，.8T 参数，目前全球最大的开放权重模型。Artificial Analysis 智能指数排全球第三，以前俩是 Claude Fable 和 GPT-；这是开放权重模型第一次挤进第一梯队。老实说，

Kimi K3 能够满足绝大多数需求。但存在算力限制、延迟和啰嗦的问题。说起来，如果你无法订阅，就可以考虑直接上云：阿里云百炼、火山引擎方舟、腾讯云等全都上架了 K3。百炼价格与官方一致，火山提供 Coding Plan 套餐，可包月使用写代码功能。按理说，

. 新手别头铁冲 CC 了Codex 是更稳的选择

痛点四：频繁封号导致新手学习成本高昂。需要寻找更稳定的网站才能持续使用 AI 做事。

A 社封号升级后多数人被封号；德国支付漏洞造成大量账号被封。怎么说呢，从官方透明度数据看半年封号万级别，仅申诉成功率 %。

经常有人问怎么入坑。我建议：如果条件允许，用 Codex；只要一定要国产，就无脑选择 Kimi。目前 Codex 默认 GPT- 模型，各方面能力顶尖且封号规则宽松。多模态功能可直接截图交互，大幅降低描述成本。老实说，Codex 已取消付费档小时限制，并经常重置额度。对深度开发者来说成本甚至比 DeepSeek 更低。老实说，

. effort 别拉满。并不是越高越好

痛点五：高效能设置往往带来更慢、更贵且输出质量下降，让你花冤枉钱却没有得到预期效果。

• C级语言模型各自提供 low/medium/high/xhigh/max 等档位，相当于决定推理步数与深度。当任务简单时高档位只会拖慢速度并产生冗余输出，却占用更多 token 与算力资源，使成本翻倍，而质量并未提高明显.
.
• Anthoic 基准显示 Opus 在 medium 档得分最高，高档则反而下降，而且费用更多，“想太多”反而适得其反.
.
• Kimi K3 默认 max 档，如果只是日常小活。可以手动调低以降低延迟与 token 消耗.
.
• 把最高档留给真正关键/安全审查场合，其余保持 medium 或 high 即可平衡速度与成本.
.

. 小技巧补充

• 1M 上下文已成标配，但并非所有细节都会记住；若实际占用 ~% 左右，请手动压缩以提高记忆准确度.
.
• GPT-默认上下文为 258k，在此范围内表现最佳。无需额外压缩即可利用全部容量.
.

AIGC 正在进入减法阶段——只保留真正必要、提高效率与成本效益就可以最大价值！`