一句话看懂：AI行业正出现提示工程（Prompt Engineering）思路的重要转变——从“厚指令、薄上下文”转向“厚上下文、薄指令”，即少给模型设定具体步骤和限制条件，多提供背景信息，让模型自行推导解决方案。Simon Willison透露，Anthropic的Claude Code系统提示已因此缩减80%。
事件核心：发生了什么
2026年7月21日，开发者Simon Willison引用提示工程专家@_catwu和@trq212的建议，指出当前采用“示例+负面约束（不要做什么）”的传统提示模式正在被更高效的方法取代。他提到Claude Code自己的系统提示最近已经缩减了80%，这一改变化来自新的提示原则。随后，Anthropic研究员Zara Zhang在社交平台补充了这一方法的实操逻辑：当用户只描述问题本身而不指定解决方案或特定规范时，模型往往会给出比人设想的更好的答案。她将其总结为“厚上下文、薄提示”（Thick context, thin prompt）。该帖子在X平台获得超过8200次阅读，引发开发者社区广泛讨论。
为什么重要
这一变化直击提示工程的核心矛盾：过去，业界普遍认为越详细的指令（包括few-shot示例和禁止项列表）能更好地约束模型行为，但同时也增加了token消耗和模型对用户预设路径的依赖。“厚上下文、薄提示”思路本质上是在利用大语言模型（LLM）更强的推理能力和自主学习能力——模型能在丰富的背景描述中自行提取关键信息，反而避免了人为设定可能带来的“死记硬背”或逻辑盲区。对于像Claude、GPT-4o等前沿模型，减少系统提示中的硬约束有助于释放模型的生成质量，同时显著降低API调用成本。Claude Code系统提示缩减80%的案例，体现了这种方法在商业化工具中的实际落地效果，也暗示着Anthropic在模型训练阶段可能已对指令遵循模式进行了针对性优化。
对用户/开发者/创作者的影响
对于普通用户，这意味着使用AI助手时可以更自然地描述问题，无需强制自己学习“提示模板”或“最佳实践清单”，降低使用门槛。对于使用API的开发者，“薄提示”直接意味着更少的输入token成本：以Claude API为例，系统提示缩减80%相当于每轮对话节约数千甚至上万个token，长期使用成本下降明显。对创作者和内容生产者，这一方法意味着将更多精力放在提供清晰的背景和问题描述上，而不是反复列出“不要用XX风格”“不要写太复杂”等负面指令，可能获得更个性化、更出乎意料的输出质量。不过，目前公开信息显示该方法在复杂、多步骤任务中的边界尚未被严格测试，开发者需自行评估应用场景的适配性。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，Anthropic是否会在Claude API的官方文档或系统提示仓库中正式推荐“厚上下文、薄提示”原则，以及是否将该模式作为Claude Code的新默认配置。第二，OpenAI、Google等模型供应商是否会在其最新的指令遵循微调或系统提示模板上做出类似响应，目前尚无明确信息。第三，这一方法对测试场景下的幻觉控制、长文本压缩等任务的影响尚待验证，尤其是当模型需要从极简提示中理解复杂行业术语或合规要求时，是否会出现核心信息遗漏——这些都需要更多社区实验数据来支撑，目前尚未看到大规模对比评测结果。
