文章讨论了随着编码代理模型的快速演进，过去的提示与指令实践已不再适用。作者以 GPT-6 Astra 为例，指出项目中积累的大量臃肿指令（Skills、AGENTS.md、任务提示）需要重新审视。核心建议包括：Skill 描述应尽量简短、采用渐进式披露的文档结构、避免过度详细的流程式指导；AGENTS.md 中应移除不必要的文件阅读和测试要求，因为新模型已有更强的自主判断力；要注意决策边界的表述，明确任务完成定义以避免模型过早停止。作者建议借新模型发布之机对仓库指令做一次全面清理和审计。
文章探讨了随着大模型能力提升，上下文工程的策略已从补充信息转向尽量精简信息。PostHog 分享了维护 AGENTS.md/CLAUDE.md 的三种实践方法：1) 使用 Claude Code 的 /doctor 命令进行健康检查并人工审阅，删除无法说出其防止失败的冗余指令；2) 像对待代码一样测试上下文，将 agent 犯过的错误记录为 evals，通过 wizard-ci 和 pr-evaluator 自动化验证；3) 直接让 agent 在使用上下文的过程中反馈改进建议。文章强调过时或冗余的上下文会拖累 agent 表现，需要定期清理与迭代。
本文探讨了为何大多数人使用AI效率提升不高的原因，指出关键在于使用方式——仅仅将其视为搜索引擎而非工具。文章介绍了 Claude 的 Skill 功能，将其比作预装的行为规范手册，并详细拆解了搭建高质量 Skill 的六个步骤：明确需求、建文件夹、写 SKILL.md、加资源、用评估器打分迭代及打包。通过科学的评估和触发词优化，AI 效率可实现从 40% 到 100% 的质变。
